Centro de Pós Graduação

Faculdade Machado Sobrinho

sdfghjklzxcvbnmqwertyuiopasdfghjklzxc
vbnmqwertyuiopasdfghjklzxcvbnmqwer
tyuiopasdfghjklzxcvbnmqwertyuiopasdf
Especialização em
ghjklzxcvbnmqwertyuiopasdfghjklzxcvb
Engenharia de Produção
Pesquisa Operacional
nmqwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasdfgh
Prof . Paulo Lobo

jklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjk
lzxcvbnmqwertyuiopasdfghjklzxcvbnmq
wertyuiopasdfghjklzxcvbnmqwertyuiop
asdfghjklzxcvbnmrtyuiopasdfghjklzxcvb
nmqwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjklzxcvbnm
Sumário
1.1-Breve História .............................................................................................................. 3
2-Modelagem com programação linear ............................................ 8
2.1- Introdução ................................................................................................................... 8
2.2-A Modelagem ............................................................................................................... 9
2.3-Exemplos ..................................................................................................................... 11
2.4-Exercícios..................................................................................................................... 22
Adendo .................................................................................................................................. 31
Método Simplex ................................................................................................................. 31
3-Programação Inteira e Programação Binária ....................................... 39
3.1-Introdução................................................................................................................... 39
3.2-Métodos de resolução ............................................................................................. 42
3.3-Exercícios. ................................................................................................................... 45
4-Introdução a Teoria das Filas ........................................................... 51
4.1-Introdução................................................................................................................... 51
4.2- MODELO DE FILA FIFO M/ M /1/ ∞ ................................................................ 53
4.3-Exercícios..................................................................................................................... 55
5-Revisão de Probabilidade ................................................................. 57
5.1-Introdução................................................................................................................... 57
5.2-Probabilidade condicional ...................................................................................... 59
5.3-Variáveis aleatórias ................................................................................................. 60
5.4-Exercícios..................................................................................................................... 63
6-Análise de decisão .......................................................................... 66
6.1-Introdução................................................................................................................... 66
6.2-Exemplo Protótipo .................................................................................................... 67
6.3- Exercícios ................................................................................................................... 76
Anexo .............................................................................................. 78
Referências ....................................................................................... 85

2
 1-Introdução
1.1-Breve História

Desde o advento da Revolução Industrial, o mundo presencia um

crescimento extraordinário no tamanho e na complexidade das
organizações. As pequenas oficinas de artesãos de outrora evoluíram
para as corporações bilionárias de hoje. Um fator crucial dessa
mudança revolucionária foi o extraordinário aumento na divisão do
trabalho e a segmentação das responsabilidades gerenciais nessas
organizações. Os resultados foram espetaculares.

Entretanto, juntamente com seus pontos positivos, essa crescente

especialização criou problemas novos, problemas estes que ainda
ocorrem em muitas organizações. Um deles é a tendência de as
diversas unidades de uma organização crescerem em ilhas
relativamente autônomas com seus próprios objetivos e sistemas de
valor, perdendo, consequentemente, a visão de como suas atividades
e objetivos se entremeiam com aquelas da organização como um
todo. O que pode ser melhor para uma das unidades frequentemente
é prejudicial a outra, de forma que as unidades podem acabar
trabalhando em direção a objetivos conflitantes. Um problema
relativo a isso é aquele no qual, à medida que aumentam a
complexidade e a especialização em uma organização, toma-se cada
vez mais difícil alocar os recursos disponíveis para as diversas
atividades da maneira mais eficiente para a organização como um
todo.

Esses tipos de problema e a necessidade de encontrar o melhor

caminho para solucioná-los criaram condições necessárias para o
surgimento da pesquisa operacional ( comumente referida como PO).

As origens da PO podem ser remontadas muitas décadas atrás

quando foram feitas tentativas iniciais no emprego de uma

3
abordagem científica na gestão das organizações. Porém, o início da
atividade, assim denominada pesquisa operacional, geralmente é
atribuído às atividades militares nos primórdios da Segunda Guerra
Mundial. Em razão do empreendimento da guerra, havia uma
necessidade premente de se alocar de forma eficiente os escassos
recursos para as diversas operações militares e atividades internas
a cada operação.

Consequentemente, os comandos militares britânico e norte-

americano convocaram grande número de cientistas para aplicar uma
abordagem científica para lidar com este e outros problemas táticos e
estratégicos. Na prática lhes foi solicitado a realização de pesquisas
sobre operações (militares). Essas equipes de cientistas foram as
primeiras de PO. Por meio do desenvolvimento de métodos eficientes
de emprego da nova ferramenta radar, essas equipes se tomaram
instrumentos na vitória da Batalha Aérea em céus da Grã-Bretanha.
Por intermédio dessas pesquisas sobre como melhor administrar
operações de comboio e antisubmarinos, esses cientistas
desempenharam papel fundamental na vitória da Batalha do Atlântico
Norte. Esforços semelhantes ajudaram na Campanha Britânica no
Pacífico.

Quando a guerra acabou, o sucesso da PO no empreendimento bélico

despertou interesse na sua aplicação fora do ambiente militar. À
medida que se ia desenrolando o boom industrial pós-guerra, os
problemas causados pela crescente complexidade e especialização
nas organizações foram novamente ganhando o primeiro plano.
Tomava-se aparente para um número cada vez maior de pessoas,
entre as quais consultores de negócios que trabalharam nas equipes
de PO ou em conjunto com elas durante a guerra, que estes foram
basicamente

os problemas enfrentados pelos militares, porém, agora, em um

contexto diferente. No início dos anos 1950, esses indivíduos haviam

4
introduzido o emprego da PO em uma diversidade de organizações
nos setores comercial, industrial e governamental. A rápida
disseminação da PQ veio a seguir. Podem-se identificar pelo menos
dois fatores que desempenharam papel fundamental no rápido
crescimento da PO durante esse período. O primeiro foi o progresso
substancial feito no início em termos de melhoria das técnicas da PO.
Após a guerra, muitos dos cientistas que haviam participado das
equipes de PO ou que ouviram falar a esse respeito motivaram-se
para desenvolver pesquisas relevantes nesse campo resultando em
avanços importantes no estado da arte. Um exemplo essencial é o
método simplex para solução de problemas com programação linear,
desenvolvido por George Dantzig em 1947. Várias ferramentas-
padrão da PO, como programação linear, programação dinâmica,
teoria das filas e teoria do inventário, atingiram um estado
relativamente bem desenvolvido antes do final dos anos 1950.

Um segundo fator que deu grande ímpeto ao crescimento desse

campo foi a "avalanche" da revolução computacional. Requer-se
grande volume de processamento de cálculos para o tratamento
eficiente dos problemas complexos tipicamente considerados pela PO.

Normalmente, fazer isso à mão seria uma hipótese fora de cogitação.

Portanto, o desenvolvimento de computadores eletrônicos digitais,
com a capacidade de realizarem cálculos matemáticos milhares ou
até mesmo milhões de vezes mais rápido que o ser humano, deu um
impulso enorme à PO. Outro estímulo veio nos anos 1980 com o
desenvolvimento de computadores pessoais cada vez mais poderosos
munidos de excelentes pacotes de software para emprego da PO.
Isso permitiu que o emprego da PO ficasse ao alcance de um número
muito maior de pessoas. Hoje em dia, praticamente milhões de
pessoas têm pronto acesso a software de PO. Por conseguinte,
enorme gama de computadores, de mainframes a laptops, é, hoje,
rotineiramente utilizada para solucionar problemas relativos à PO.

5
1.2 - Fundamentos

Como o próprio nome indica, a pesquisa operacional envolve

"pesquisa sobre operações". Portanto, a pesquisa operacional é
aplicada a problemas envolvendo como conduzir e coordenar as
operações (isto é, as atividades) em uma organização. A natureza
das organizações é essencialmente secundária e, de fato, a PO tem
sido largamente aplicada em áreas tão distintas como manufatura,
transportes, construção, telecomunicações, planejamento financeiro,
assistência médica, militar e serviços públicos, somente para citar
algumas. Portanto, a gama de aplicações é excepcionalmente grande.

Uma forma de se sintetizar as fases usuais (que se sobrepõem) de

um estudo de PO é a seguinte:

1. Definir o problema de interesse e coletar dados.

2. Formular um modelo matemático para representar o problema.

3. Desenvolver um procedimento computacional a fim de derivar

soluções para o problema a partir do modelo.

4. Testar o modelo e aprimorá-lo conforme necessário.

5. Preparar-se para a aplicação contínua do modelo conforme

prescrito pela gerência.

6. Implementar.

A primeira coisa a ser reconhecida é que uma equipe de PO

normalmente trabalha na qualidade de consultores. Aos membros da
equipe não somente é apresentado um problema e solicitado a
resolvê-lo conforme julguem apropriado. Em vez disso, eles
aconselham a gerência (geralmente um tomador de decisões
importante). A equipe realiza uma análise técnica detalhada do
problema e a seguir apresenta recomendações à gerência.

6
Frequentemente, o relatório à gerência identificará uma série de
alternativas particularmente atrativas de acordo com diversas
suposições ou segundo um intervalo de valores diferente de algum
parâmetro da política adotada que pode ser avaliado somente pela
gerência (por exemplo, o conflito entre custo e benefícios). A
gerência avalia o estudo e suas recomendações, leva em
consideração uma série de fatores intangíveis e toma a decisão final
baseada em seu melhor julgamento. Consequentemente, é vital para
a equipe de PO sintonizar-se com a gerência, inclusive identificando o
problema "correto" segundo o ponto de vista da gerência e obter o
seu apoio ao longo do projeto.

Determinar os objetivos apropriados é um aspecto muito importante

na definição de um problema. Para tanto, é necessário,
primeiramente, identificar o membro (ou membros) da gerência que
efetivamente decidirá( ão) no que se refere ao sistema em estudo e,
depois, sondar o pensamento desse(s) indivíduo(s) no que tange aos
objetivos pertinentes (envolver o tomador de decisões desde o
princípio é essencial para obter seu apoio à implementação do
estudo).

7
 2-Modelagem com programação linear

2.1- Introdução

Um aspecto importante de problemas envolvendo decisões é o de

otimização; quando se procura estabelecer quais as maneiras mais
eficientes de utilizar os recursos disponíveis para atingir certos
objetivos. Em geral trata-se de recursos limitados e a sua utilização
criteriosa possibilita melhorar o rendimento ou produtividade do
processo em estudo.

A própria continuidade do processo pode mesmo depender de tal

utilização criteriosa. Na prática tais recursos são usualmente de
natureza econômica, tais como capital, matéria-prima, mão de obra,
equipamentos, tempo e outros, mas em geral podem tomar os
aspectos mais variados.

A Programação Linear (PL) visa fundamentalmente encontrar a

melhor solução para problemas que tenham seus modelos
representados por expressões lineares. A sua grande aplicabilidade e
simplicidade devem-se a linearidade do modelo. A tarefa da PL
consiste na maximização ou minimização de uma função linear,
denominada Função objetivo, respeitando-se um sistema linear de
igualdades ou desigualdades, que recebem o nome de Restrições do
Modelo.

As restrições determinam uma região a qual se dá o nome de

Conjunto Viável, a melhor das soluções viáveis (soluções que
pertencem ao Conjunto Viá vel), ou seja, aquela que maximiza ou
minimiza a função objetivo, denomina-se Solução Ótima. O objetivo
da Programação Linear é determinar a solução ótima.

Para a resolução de um Problema de Programação Linear (PPL) dois

passos são necessários. O primeiro é a Modelagem do problema,

8
seguindo-se o método de solução do modelo. No caso de um PPL o
método mais utilizado é o Método Simplex, que será examinado
adiante. Não existem técnicas precisas capazes de permitir o
estabelecimento do modelo de um problema, pois a modelagem
envolve aspectos de arte, ou seja, pode ser melhorada com a prática
e observação. Para modelar uma situação geral é importante se ter
experiência e capacidade de análise e síntese.

2.2-A Modelagem

Para identificar as variáveis de decisão, recomenda-se as seguintes

regras:

a) Pergunte “O decisor tem autoridade para escolher o valor

numérico (quantidade) do item?” Se a resposta for “sim” esta é uma
variável de decisão;

b) Seja bem preciso com respeito às unidades (moeda e quantidade,

por exemplo) de cada variável de decisão (incluindo o fator tempo,
como horário, diário, semanal, mensal);

c) Cuidado para não confundir as variáveis de decisão com os

parâmetros do problema, como número de máquinas na fábrica,
quantidade de cada recurso usado na fabricação de um produto,
capacidade de produção da fábrica, custos de produção, custos de
transporte, demandas pelos produtos e assim por diante.

Com respeito à função objetivo, a PO busca encontrar o melhor que

pode ser feito com o que se tem, isto é, procura maximizar algo
(como lucro ou eficiência) ou minimizar alguma coisa (como custo ou
tempo).

Talvez a busca pelo máximo valor do lucro total (= retornos –

custos) seja a função objetivo mais comum nos modelos
matemáticos. Na PL, os modelos têm apenas um objetivo, mas é

9
possível, em outras áreas da PO, tratar modelos com múltiplos
objetivos.

Exemplos de restrições típicas incluem a existência de limites sobre

as quan tidades de recursos disponíveis (colaboradores, máquinas,
orçamento, matérias-primas, por exemplo) e requisitos contratuais
para a produção e atendimento de demandas. As restrições também
podem ser de caráter natural, como ocorre nos casos de estoques,
onde é razoável considerar que o estoque ao final de um mês é igual
ao estoque no início daquele mês mais o que foi produzido e menos o
que foi vendido no mesmo mês, desde que o produto não se
deteriore ou se perca no período.

Outro exemplo se refere ao fato de determinadas variáveis de decisão

(por exemplo, quantidades produzidas) não poderem ter valores
negativos, ou ainda só poderem assumir valores inteiros nulos ou
positivos. Essas últimas restrições são conhecidas como restrições de
não negatividade e restrições de integridade, respectivamente.

Um procedimento que ajuda na elaboração de restrições é o

seguinte:

a) Crie uma restrição com palavras inicialmente, da seguinte forma,

(A quantidade requerida de um recurso) <Tem alguma relação com>
(A disponibilidade do recurso), sendo que essas relações podem ser
expressas por meio de igualdades (=) ou desigualdades (≥ ou ≤);

b) Assegure-se que a unidade do termo do lado esquerdo da restrição

usa a mesma unidade do termo do lado direito;

c) Traduza a restrição em palavras para a notação matemática

utilizando valores conhecidos ou estimados para os parâmetros e os
símbolos matemáticos adotados para as variáveis de decisão;

d) Reescreva a restrição, se necessário, de modo que os termos

envolvendo as variáveis de decisão fiquem no lado esquerdo da

10
expressão matemática, enquanto só o valor associado a uma
constante fique no lado direito .

2.3-Exemplos

1) “Mix de Produção” – Adaptado de Ravindran, Phillips e Solberg

(1987)

Uma Empresa deseja programar a produção de um utensílio de

cozinha que requer o uso de dois tipos de recursos: mão de obra e
material. Ela está considerando a fabricação de três modelos e o seu
Departamento de Engenharia forneceu os dados a seguir (Tabela 1).
O suprimento de material é de 200 quilos por dia. A disponibilidade
diária de mão de obra é 150 horas. Formule um modelo de
programação linear para determinar a produção diária de cada um
dos modelos de modo a maximizar o lucro total da Empresa.

11
2)Problema da dieta.

O problema consiste em obter uma dieta de mínimo custo que

satisfaça as necessidades básicas do indivíduo médio, com respeito a
Calorias (no mínimo 3,0), Cálcio (no mínimo 0,8) e Vitamina B12 (no
mínimo 2,7).

A Tabela a seguir relaciona três substâncias exigidas pelo organismo,

a quantidade existente de cada uma delas de uma relação de seis
alimentos, juntamente com os respectivos custos unitários desses
alimentos.

12
3)Problema de transporte.

Um dado produto é produzido em diferentes fábricas no país com

capacidades de produção limitadas e deve ser levado a centros de
distribuição (depósitos) onde há demandas a serem satisfeitas.

O custo de transporte de cada fábrica a cada depósito é proporcional

à quantidade transportada e devem-se achar estas quantidades que
minimizem o custo total de transporte (CT) do produto em questão. A
Tabela a seguir fornece os custos unitários de transporte de cada

13
fábrica para cada depósito, bem como as demandas em cada um dos
depósitos e as produções de cada fábrica.

4) “Seleção de mídia para propaganda” – Adaptado de Ravindran,

Phillips e Solberg (1987)

Uma companhia de propaganda deseja planejar uma campanha em

03 diferentes meios: tv, rádio e revistas. Pretende-se alcançar o

14
maior número de clientes possível. Um estudo de mercado resultou
nos dados da Tabela 4, sendo os valores válidos para cada veiculação
da propaganda.A companhia não quer gastar mais de $ 800.000 e
adicionalmente deseja:

a) No mínimo 2 milhões de mulheres sejam atingidas;

b) Gastar no máximo $ 500.000 com TV;

c) No mínimo 03 veiculações ocorram no horário normal na TV;

d) No mínimo 02 veiculações ocorram no horário nobre na TV;

e) Número de veiculações no rádio, e nas revistas, devem ficar entre

05 e 10, para cada meio de divulgação.

Formular um modelo de PL que trate este problema, determinando o

número de veiculações a serem feitas em cada meio de comunicação

15
de modo a atingir o máximo possível de clientes.

5) “Um problema de treinamento” – Adaptado de Ravindran, Phillips

e Solberg (1987)

Uma empresa de máquinas ferramentas tem um programa de

treinamento para operadores de máquinas. Alguns operadores já
treinados podem trabalhar como instrutores neste programa ficando
responsáveis por 10 traineescada. A empresa pretende aproveitar
apenas 07 traineesde cada turma de 10.

Estes operadores treinados também são necessários na linha de

fabricação, e sabe-se que serão necessários para os próximos meses:
100 operadores em janeiro, 150 em fevereiro, 200 em março, e 250

16
em abril. Atualmente há 130 operadores treinados disponíveis na
empresa. Os custos associados a cada situação são:

a) Trainee $ 400;

b) Operador treinado trabalhando $ 700;

c) Operador treinado ocioso $ 500. Um acordo firmado com o

sindicato proíbe demissões de operadores treinados no período.

Encontrar um modelo de PL que forneça um programa de

treinamento de custo mínimo e satisfaça os requisitos da empresa em
termos de número de operadores treinados disponíveis a cada mês.

Modelagem:

Observe-se que, a cada mês, um operador treinado está operando

máquina, trabalhando como instrutor, ou está ocioso. Além disto, o
número de operadores treinados, trabalhando nas máquinas é fixo e
conhecido: 100 em janeiro, 150 em fevereiro, 200 em março e 250
em abril.

Variáveis de decisão:

x1= operadores trabalhando como instrutores em janeiro

x2= operadores ociosos em janeiro

x3= operadores trabalhando como instrutores em fevereiro

x4= operadores ociosos em fevereiro

x5= operadores trabalhando como instrutores em março

x6= operadores ociosos em março

Função objetivo: Custo Total = custo trainees+ custo instrutores +

custo ociosos + custo operadores trabalhando em máquinas

17
6) “Problema de dimensionamento de equipes de inspeção” –
Adaptado de Ravindran, Phillips e Solberg (1987).

Uma companhia deseja determinar quantos inspetores alocar a uma

dada tarefa do controle da qualidade. As informações disponíveis
são:

– Há 08 inspetores do nível 1 que podem checar as peças a uma

taxa de 25 peças por hora, com uma acuracidade de 98%, sendo o
custo de cada inspetor deste nível $4 por hora;

– Há 10 inspetores do nível 2 que podem checar as peças a uma

taxa de 15 peças por hora, com uma acuracidade de 95%, sendo o
custo de cada inspetor deste nível $3 por hora;

– A companhia deseja que, no mínimo, 1800 peças sejam

inspecionadas por dia (= 08 horas);

18
– Sabe-se, ainda, que cada erro cometido por inspetores no controle
da qualidade das peças acarreta um prejuízo à companhia de $2 por
peça mal inspecionada.

Formular um modelo de PL para possibilitar a designação ótima do

número de inspetores de cada nível de modo a otimizar o custo da
inspeção diária da companhia.

7) “Um problema de mistura”

Deseja-se determinar as misturas de quatro derivados do petróleo,

que serão os constituintes de três tipos de gasolina (extra, super e
comum). Na Tabela a seguir estão as informações acerca dos custos
e disponibilidade dos constituintes.

19
Dados sobre preços e especificações de gasolinas.

A fim de manter a qualidade de cada tipo de gasolina, é preciso

manter as porcentagens dos diversos constituintes dentro dos limites
especificados. Os preços de venda de cada tipo de gasolina por barril
também estão indicados na Tabela acima. O objetivo é maximizar o
lucro.

Modelagem:

Variáveis de decisão:

xij= quantidade do constituinte i (1,2, 3, 4) na gasolina j (A, B, C).

20
 ∑x1j≤3.000

∑x2j≤2.000

∑x3j≤4.000

∑x4j≤1.000

Deve-se, a seguir, substituir as variáveis auxiliares pelas variáveis de

decisão e o modelo estará completo.

21
2.4-Exercícios

1) Planejamento de Sessões de Radioterapia

MARY acaba de receber um diagnóstico de câncer em um estágio

relativamente avançado. Mais especificamente, ela tem um tumor
maligno na área da bexiga (uma "lesão integral da bexiga"). Mary
está por receber o tratamento médico mais avançado disponível
oferecendo-lhe todas as chances disponíveis de sobrevivência. Esse
tratamento incluirá radioterapia.

A radioterapia envolve o uso de uma máquina de tratamento externo

por fluxo de raios para passar radiação ionizante através do corpo do
paciente, danificando tanto tecidos cancerígenos quanto saudáveis.
Normalmente, vários fluxos são administrados precisamente de
diferentes ângulos em um plano bidimensional. Em virtude da
atenuação, cada fluxo libera mais radiação para o tecido mais
próximo do ponto de entrada do que o tecido mais próximo do ponto
de saída. A dispersão faz que uma parcela de radiação também atinja
tecidos fora da trajetória direta do fluxo. Pelo fato de as células
tumorais se posicionarem tipicamente, de forma microscópica, entre
células saudáveis, a dosagem de radiação pela região do tumor tem
de ser grande o bastante para matar as células malignas, que são
ligeiramente um pouco mais sensíveis à radiação e, ao mesmo
tempo, suficientemente pequena para poupar as células saudáveis.
Ao mesmo tempo, a dose agregada a tecidos críticos não deve
exceder os níveis de tolerância admitidos, de modo a impedir
complicações que podem vir a ser mais sérias que a doença em si.
Pela mesma razão, a dose total para toda a anatomia saudável deve
ser minimizada.

Em virtude da necessidade de se balancear cuidadosamente todos

esses fatores, as sessões de radioterapia são processos muito
delicados. O objetivo do planejamento das sessões é selecionar a

22
combinação de fluxo a serem usados e a intensidade de cada um
deles, para gerar a melhor distribuição de dosagem possível. A
potência da dose em qualquer ponto do corpo é medida em unidades
chamadas kilorads. Uma vez que o planejamento do tratamento
tenha sido desenvolvido, ele é administrado em várias sessões,
distribuídas ao longo de várias semanas.

No caso de Mary, o tamanho e a localização do tumor tomam o

planejamento de seu tratamento um processo ainda mais complicado
que o usual. A Figura a seguir mostra um diagrama de um corte
transversal do tumor visto de cima, bem como tecidos críticos
vizinhos a serem evitados. Entre esses tecidos temos órgãos críticos
(por exemplo, o reto) assim como estruturas ósseas (por exemplo, o
fêmur e a pélvis) que vão atenuar a radiação. Também são indicados
o ponto de entrada e a direção para os dois únicos fluxos que podem
ser usados com um mínimo de segurança nesse caso. Na verdade,
estamos simplificando o exemplo nesse ponto, pois normalmente
dezenas de possíveis fluxos têm de ser considerados.

Para qualquer fluxo proposto de uma dada intensidade, a análise de

qual seria a absorção de radiação resultante por várias partes do
corpo requer um processo complicado. Em suma, com base em
cuidadosa análise anatômica, a distribuição de energia dentro da
secção transversal bidimensional do tecido pode ser plotada em um
mapa de isodosagem, no qual as linhas de contorno representam a
potência da dose na forma de uma porcentagem da potência da dose
no ponto de entrada. Uma fina grade é então colocada sobre o mapa
de isodosagem. Somando-se a radiação absorvida nas quadrículas
contendo cada tipo de tecido, a dose média que é absorvida pelo
tumor, anatomia saudável e tecidos críticos pode ser calculada. Com
mais de um fluxo (administrado sequencialmente), a absorção da
radiação é aditiva.

23
Após ampla análise desse tipo, a equipe médica estimou
cuidadosamente os dados necessários para planejar o tratamento de
Mary, conforme sintetizado na Tabela a seguir, A primeira coluna
enumera as áreas do corpo que precisam ser consideradas e as duas
colunas seguintes dão a fração da dose de radiação no ponto de
entrada para cada fluxo que é absorvido pelas respectivas áreas em
média. Por exemplo, se o nível da dose no ponto de entrada para o
fluxo 1 for 1 kilorad, então uma média de 0,4 kilorad será absorvida
por toda a anatomia sã no plano bidimensional; 0,3 kilorad, pelos
tecidos críticos próximos; 0,5 kilorad, pelas várias partes do tumor; e
0,6 kilorad, pelo núcleo do tumor. A última coluna apresenta as
restrições na dosagem total de ambos os fluxos que são absorvidos
na média pelas respectivas áreas do corpo. Em particular, a absorção
de dosagem média para a anatomia saudável deve ser a menor
possível; para os tecidos críticos, não pode exceder a 2,7 kilorads; a
média por todo o tumor tem de ser igual a 6 kilorads; e para o núcleo
do tumor deve ser de pelo menos 6 kilorads.

24
Formule o problema e resolva pelo método gráfico.

2) Planejamento regional

A confederação meridional de Kibutzim é um grupo de três kibutzim

(comunidades agrícolas coletivas) em Israel. O planejamento geral
para esses grupos é feito em seu Centro Técnico de Coordenação.
Esse escritório está planejando atualmente a produção agrícola para
o próximo ano.

A produção agrícola de cada kibutz é limitada tanto pela quantidade

de área irrigável disponível como pela quantidade de água alocada
para a irrigação pelo Comissariado de Recursos Hídricos (um órgão
governamental). Esses dados são fornecidos na Tabela a seguir.

25
Entre as plantações adequadas para essa região encontram-se
beterraba, algodão e sorgo e são estas que estão sendo consideradas
para o próximo período. Essas plantações diferem basicamente nos
respectivos retornos líquidos esperados e consumo de água. Além
disso, o Ministério de Agricultura tem uma cota máxima para a área
total que pode ser dedicada a cada uma dessas plantações pela
Confederação Meridional de Kibutzim, conforme ilustrado na Tabela a
seguir.

Em razão da limitada disponibilidade de água para irrigação, a

Confederação Meridional de Kibutzim não será capaz de usar toda sua
área irrigável para plantação de culturas na próxima temporada. Para
garantir equilíbrio entre os três kibutzim, foi acordado que cada um
deles vai plantar a mesma proporção de sua área irrigável. Por
exemplo, se o kibutz 1 plantar 200 de seus 400 acres disponíveis,
26
então o kibutz 2 terá de plantar 300 de seus 600 acres, ao passo que
o kibutz 3 plantaria 150 de seus 300 acres. Entretanto, qualquer
combinação das plantações pode ser cultivada no kibutzim. A tarefa
que o Centro Técnico de Coordenação deve enfrentar é planejar
quantos acres devem ser dedicados a cada plantação no respectivo
kibutzim satisfazendo as dadas restrições. O objetivo é maximizar o
retomo líquido total para a Confederação Meridional do Kibutzim
como um todo.

Formule o problema e resolva usando o solver.

3) Controlando a Poluição do Ar

A NORI & LEETS CO., um dos maiores produtores de aço em sua

região, localiza-se na cidade de Steeltown e é o único grande
empregador nessa localidade. Steeltown cresceu e prosperou
juntamente com a companhia que agora emprega cerca de 50.000
residentes.

Portanto, o pensamento dos habitantes da cidade sempre foi: "Se é

bom para a Nori & Leets, então é bom para a cidade". Entretanto,
esse tipo de pensamento está mudando: a poluição descontrolada
gerada pelos fomos da empresa está destruindo a aparência da
cidade e colocando em risco a saúde da população.

Uma revolta recente dos acionistas resultou na eleição de uma nova

diretoria mais esclarecida para a empresa. Esses novos diretores
estão dispostos a seguir políticas socialmente corretas e vêm
discutindo com governantes de Steeltown e representantes da
sociedade o que fazer em relação ao problema da poluição do ar.
Juntos, eles chegaram a rigorosos padrões de qualidade do ar para a
camada atmosférica de Steeltown.

Os três tipos principais de poluentes nessa camada atmosférica são

material particulado, óxido de enxofre e hidrocarbonetos. Os novos

27
padrões requerem que a empresa reduza a emissão anual desses
poluentes para os volumes especificados na Tabela a seguir.

Padrões de ar puro para a Nori & Leets Co.

A diretoria instruiu a gerência para que fizesse que o pessoal da

engenharia determinasse como atingir essas reduções do modo mais
econômico possível.

As siderúrgicas possuem duas fontes primárias de poluição, a saber:

os alto-fomos para fabricar lingotes de gusa e os fomos Siemens-
Martin para transformar esses lingotes em aço.

Em ambos os casos os engenheiros decidiram que os tipos mais

eficientes de métodos para redução de poluição seriam: (1) aumentar
a altura das chaminés, (2) usar dispositivos filtrantes (inclusive
retentores de gases) nas chaminés e (3) incluir materiais limpadores
de alta qualidade entre os combustíveis usados nos fornos. Cada um
desses métodos possui sua limitação tecnológica na intensidade em
que pode ser utilizado (por exemplo, um aumento máximo permitido
na altura das chaminés), mas ainda há uma flexibilidade considerável
para emprego do método em uma fração de seu limite tecnológico.

28
A Tabela a seguir ilustra a quantidade de emissão (em milhões de
libras por ano) que pode ser eliminada de cada tipo de forno usando-
se completamente o limite tecnológico para quaisquer dos métodos
de redução de poluição. Para fins de análise, parte-se do pressuposto
de que cada método pode ser utilizado em níveis inferiores ao
máximo para atingir qualquer fração das reduções de taxas de
emissão apresentadas nessa tabela. Além disso, as frações podem
ser diferentes para os alto fornos e para os fornos Siemens-Martin.
Para cada tipo de forno, a redução de emissão alcançada por método
não é afetada substancialmente por quaisquer que sejam os outros
métodos também usados.

Redução na taxa de emissão de poluentes (em milhões de

libras por ano) a partir do máximo uso permitido de um
método de redução para a Nori & leets Co.

Após esses dados terem sido analisados, tornou-se evidente que

nenhum método por si só seria capaz de alcançar todas as reduções
exigidas. No entanto, combinar todos os três métodos a plena carga
em ambos os tipos de fornos (o que teria um custo proibitivo caso os

produtos da empresa tivessem de permanecer com preços

competitivos) é muito mais adequado. Portanto, os engenheiros
chegaram à conclusão que teriam de usar alguma combinação de

29
métodos, talvez com capacidades parciais, baseados em custos
relativos.

Além disso, em virtudes das diferenças entre os alto fornos e os

fornos Siemens-Martin, os dois tipos provavelmente não usariam a
mesma combinação.

Foi realizado um estudo para estimar o custo anual total que seria
acarretado em cada um dos métodos de redução de poluição. O custo
anual de um método inclui despesas operacionais e de manutenção
crescentes, bem como receitas menores decorrentes de qualquer
perda de eficiência do processo de produção provocado pelo uso do
método. Outro custo importante é o custo inicial (o desembolso inicial
de capital) exigido para instalar o método. Para tomar esse custo que
ocorre uma única vez comensurável em relação aos custos anuais
permanentes, o valor temporal do dinheiro foi usado para calcular o
gasto anual (em relação à vida útil do método) que seria equivalente
em valor a esse custo inicial.

Essa análise levou a estimativas do custo anual total (em milhões de

dólares) dados na Tabela a seguir para emprego dos métodos a plena
capacidade.

Métodos de Redução de poluição

Também foi determinado que o custo de um método sendo usado em

um nível mais baixo é aproximadamente proporcional à fração da
capacidade de redução de poluição dada na Tabela anterior que é
alcançada. Portanto, para qualquer fração atingida, o custo anual

30
total seria grosseiramente essa fração da quantidade correspondente
da Tabela de custos.

Formule o problema e resolva usando o solver.

Adendo
Método Simplex

O Método Simplex é uma técnica utilizada para se determinar,

numericamente, a solução ótima de um modelo de Programação
Linear. Será desenvolvido inicialmente para Problemas de
Programação Linear, na forma padrão, mas com as seguintes
características para o sistema linear de equações:

i) Todas as variáveis são não negativas;

ii) Todos os bi são não negativos;

iii) Todas as equações iniciais do sistema são do tipo “ ≤ “. Assim, na

forma padrão, só encontra-se variáveis de folga.

31
32
Os passos abordados a seguir referem-se a um P.P.L. de
minimização.

Para iniciarmos o Método Simplex necessita-se de uma solução

básica viável inicial, a qual é, um dos pontos extremos. Este
método verifica se apresente solução é ótima. Se esta não for
é porque um dos demais pontos extremos adjacentes (vértice)
fornecem valor menor para a função objetivo quea atual,
quando o problema considerado é de minimização. Ele então
faz uma mudança de vértice na direção que mais diminua a função
objetivo e verifica se este novo vértice é ótimo.

O processo termina quando estando num ponto extremo, todos os

outros pontos extremos adjacentes fornecem valores maiores para a
função objetivo.

Portanto, a troca de vértice, faz uma variável não básica

crescer(assumir valor positivo) ao mesmo tempo em que zera

33
uma variável básica(para possibilitar a troca) conservando a
factibilidade do Problema de Programação Linear.

Para isso, escolhemos uma variável, cujo custo relativo é mais

negativo (não é regra geral), para entrar na base, e as trocas
de vértices são feitas até que não exista mais nenhum custo
relativo negativo.

A variável que sairá da base é aquela que ao se anular

garante que as demais continuem maiores ou iguais a zero,
quando aumentamos o valor da variável que entra na base
(respeitando a factibilidade).

O Método Simplex compreenderá, portanto, os seguintes passos:

i) Achar uma solução factível básica inicial;

ii) Verificar se a solução atual é ótima. Se for, pare. Caso

contrário, siga para o passo iii).

iii) Determinar a variável não básica que deve entrar na base;

iv) Determinar a variável básica que deve sair da base;

v) Atualizar o sistema à fim de determinar a nova solução

factível básica, e voltar ao passo ii.

Exemplo:

34
35
36
37
38
3-Programação Inteira e Programação Binária
3.1-Introdução

Os problemas de Programação Linear Inteira podem ser entendidos

como casos específicos da Programação Linear (conjunto solução
contínuo), onde todas, ou parte, das variáveis de decisão devem ser
inteiras. Quando se usa esta classe de modelos é importante se ter
mente o grau de dificuldade associado à sua solução. No entanto, isto
não quer dizer que problemas que exijam computadores com alta
capacidade computacional não possam ser resolvidos em um tempo
aceitável. Mesmo que a solução ótima não seja encontrada, é
possível obter boas soluções viáveis e mostrar quão próximo da
solução ótima podem estar.

Um problema de programação linear inteira pode apresentar as

seguintes situações:

 Todas as varáveis de decisões são inteiras: são problemas

denominados Problemas de Programação Linear Inteira Pura – PLIP;

 Parte das varáveis de decisões são inteiras: são problemas

denominados Problemas de Programação Linear Inteira Mista – PLIM;

 Todas as varáveis de decisões são binárias: são problemas

denominados Problemas de Programação Linear Inteira Binária –
PLIB;

 Parte das varáveis de decisões são binárias: são problemas

denominados Problemas de Programação Linear Inteira Binária Mista
– PLIBM.

O modelo formal pode ser expresso por:

39
FORMAS PARA RESOLVER PROBLEMAS PLI

Inicialmente, pode-se propor a solução de problemas de

programação linear inteira por arredondamento ao final da
aplicação de um método de programação linear, como por
exemplo, pelo Simplex.

Para tanto, deve-se ignorar, temporariamente, a restrição que

impõe que as variáveis de decisão devam ser inteiras. Caso a
resposta não seja um número inteiro, deve-se arredondá-la. Uns
dos maiores problemas desta forma de resolver problemas de
PLI é que o arredondamento pode não redundar em

uma solução ótima (ver figura adiante).

Outra abordagem é o método de enumeração que, pela avaliação das

soluções viáveis, escolhe-se a melhor, ou seja, para problemas
de maximização, a maior; para os de minimização, a menor.
Um dos maiores entraves para a aplicação deste método é de
ser impraticável para problemas reais que geralmente envolvem
várias variáveis de decisão (observe o item 2 a seguir).

Deve-se considerar algumas observações:

1) O número de soluções em um problema de PLI é finito,

mas isto não implica que seja fácil de resolver;

40
2) Num problema de PLIB com n variáveis há 2^n soluções, por
isso, para alguns problemas, fica impossível enumerar todas as
soluções;

3) Os melhores algoritmos não podem garantir a solução de

todos os problemas, mesmo relativamente pequenos (< 100
variáveis);

4) Para os valores que são suficientemente grandes para que o

arredondamento não introduza erros significativos, pode-se até

pensar neste artifício matemático;

Para exemplificar, o gráfico a seguir expõe uma situação onde

as soluções arredondadas não são viáveis. Em destaque a
Região das Soluções Viáveis (RSV) de um problema de PL.

41
3.2-Métodos de resolução

Como qualquer problema puro de PLI tem quantidade finita de

soluções possíveis, deve-se considerar a utilização de um método de
enumeração para encontrar um valor ótimo. Para esses casos,
infelizmente a quantidade de possíveis soluções é, geralmente,
muito grande, sendo então fundamental que o método utilizado
seja suficientemente estruturado para que apenas uma pequena
parte das soluções possíveis sejam realmente examinadas.

O método Branch and Bound (em português, particionar e limitar

“as partições”) é um algoritmo que apresenta essa qualidade. Como
os problemas de PLI são “relativamente grandes”, para resolvê-
los diretamente deve-se dividi-lo em sub-problemas cada vez
menores , até que estes possam ser solucionados. Sendo assim,

42
a ideia é desenvolver uma enumeração inteligente dos pontos
candidatos (nós) em busca da solução ótima inteira do problema,
por meio da partição do espaço e avaliação progressiva das soluções.

A forma de divisão em problemas menores parte do princípio da

separação de uma das variáveis de decisão inteiras, em um
problema relaxado, utilizando-a em restrições contraditórias,
criando uma espécie de ramificação (a partir de um nó), como
em uma árvore.

Uma das formas de relaxação consiste em, temporariamente,

ignorar as restrições de integralidade do problema de PLI, tornando-
o um problema de PL, ficando, portanto, mais simples de resolver. A
partir deste, pode-se usar para resolvê-lo o método Simplex. Deve-
se considerar que o conjunto de soluções viáveis do problema
original (PLI) esteja contido no conjunto de soluções viáveis do
problema relaxado (PL), como exemplificada na figura adiante,
implicando em:

a) Se o problema relaxado não tem solução viável, então o

problema de PLI também não tem;

b) O valor mínimo do problema de PLI não é menor que o valor

máximo do problema relaxado;

c) Se uma solução ótima do problema relaxado é viável no

problema de PLI, então ela é uma solução ótima do problema de PLI.

43
A escolha do ponto (nó) para ramificação da árvore pode-se ser
efetuada, dentre as várias técnicas, nas seguintes:

a) Jumptracking: implementa uma busca em largura (figura a

seguir), onde um nó com o mínimo limite inferior é selecionado
para exame. Nesta estratégia o processo de ramificação salta de um
ramo para outro na arvore de busca.

b) Backtracking: implementa a busca em profundidade (figura a

seguir), onde os nós descendentes de um nó pai são
examinados em uma ordem arbitrária ou em ordem de limites
inferiores não decrescentes. Nesta estratégia, primeiramente
prossegue-se até o nível mais baixo por algum caminho para
encontrar uma solução tentativa e então refazer aquele caminho
para cima até o primeiro nível com nós ativos e assim por diante.

É fácil notar que a estratégia jumptracking tende a construir uma

grande lista de nós ativos, enquanto backtracking mantém
relativamente uns poucos nós na lista a qualquer momento. U ma
vantagem do jumptracking é a qualidade de suas soluções
44
tentativas, que são geralmente muito mais próximas do ótimo do
que soluções geradas por backtracking, especialmente nos estágios
iniciais da busca.

d) O problema candidato relaxado (PL) não tem solução viável.

Devido ao item a anterior, o problema candidato (PLI) também
não tem solução viável;

e) A solução ótima do problema candidato relaxado é pior do que a

melhor solução atualmente conhecida. Observar que a solução
ótima do problema candidato relaxado é sempre melhor ou
igual à solução do problema candidato e de seus descendentes.

e.1) Num problema de maximização, o máximo do problema

relaxado constitui o limite superior para o máximo do problema
original ;

e.2) Num problema de minimização, o mínimo do problema

relaxado constitui limite inferior para o mínimo do problema original .

f) Uma solução ótima do problema relaxado é viável, também

é no problema candidato. Devido ao item c anterior, ela também é
ótima no problema candidato. Como uma solução viável de
qualquer dos subproblemas é também uma solução viável do
problema, então a solução é também factível. Caso a solução seja
melhor que a atual, a solução deste problema ocupará a posição de
melhor solução atual, descartando a anterior.

3.3-Exercícios.

1)Problema do carregamento de aviões.

45
De acordo com a figura acima formule um problema de programação
linear que maximize o lucro do

transporte , considerando:

Capacidade volumétrica do compartimento 1: 40m³

Capacidade volumétrica do compartimento 2: 40m³

Capacidade volumétrica do compartimento 3: 30m³

Capacidade volumétrica do compartimento 4: 30m³

Cargas a serem transportadas(cargas unitizadas e indivisíveis):

Carga tipo 1: 4m³, 300 Kg e R$ 500,00 de margem de contribuição.

Carga tipo 2: 3m³, 250 Kg e R$ 480,00 de margem de contribuição.

Carga tipo 3: 6m³, 300 Kg e R$ 500,00 de margem de contribuição.

Capacidade máxima de carga: 40 toneladas.

R:

46
2)Problema da compra de aviões

Uma empresa aérea deseja comprar aviões a jato grandes, médios e

pequenos. O preço de compra é de US$ 33,5 milhões para cada avião
grande, US$ 25,0 milhões para cada avião médio e US$ 17,5 milhões
para cada avião pequeno. O conselho diretor autorizou um
comprometimento máximo de US$ 750 milhões para esta compra.
Qualquer que seja a compra realizada, espera-se que haja mercado
para assegurar a utilização dos aviões em sua capacidade máxima.
Se estima que os lucros anuais líquidos (descontando o custo de
recuperação do capital aplicado), é de US$ 2,1 milhões para um avião
grande, US$ 1,5 milhões para um avião médio e US$ 1,15 milhões
para um avião pequeno. Supõe-se que a empresa poderá dispor de
pilotos treinados para operar até 30 aviões novos. Se forem
comprados apenas aviões pequenos, as instalações de manutenção
poderiam comportar até 40 aviões, porém cada avião médio equivale
a 1,333 aviões pequenos e cada avião grande equivale a 1,6666
aviões pequenos, em termos de utilização das mesmas instalações de
manutenção.

Formule um modelo de programação inteira para este problema e

resolva com o solver.

3)Problema do menor caminho( distâncias em KM)

11 19
4
9
2
15 25 7 15
1 5
9

10 17 21 16
3 8
21 18

6
47
Modele o problema do menor caminho entre 1 e 9, segundo a figura
acima e resolva no solver.

4) ) Uma certa indústria decidiu se expandir, construindo uma nova

fábrica em Los Angeles ou em San Francisco. Também está sendo
considerada a construção de um novo depósito na cidade que for
selecionada para a nova fábrica. O valor presente líquido
(lucraticviadade total considerando o valor do dinheiro no tempo) de
cada uma destas alternativas está apresentado na tabela abaixo. A
última coluna dá o capital requerido para os respectivos
investimentos, onde o capital total disponível é de US$
25.000.000,00* . O objetivo é encontrar a combinação viável de
alternativas que maximize o valor presente líquido total.

5) Um jovem casal, Eva e Estêvão, quer dividir suas

principais tarefas domésticas (compras,cozinhar, lavar pratos e
lavar roupas) entre si, de modo que cada um tenha duas tarefas,
mas que o tempo total gasto em tarefas domésticas seja mínimo.
Suas eficiências nessas tarefas diferem, sendo que o tempo que cada
um gastaria para desempenhar uma tarefa dado pela seguinte tabela:

48
6) Problema da evacuação.

Numa certa região existe uma usina nuclear para geração de

energia elétrica. Face à possibilidade da ocorrência de
vazamento de material radioativo, é necessária a preparação
de um plano de evacuação de emergência para a região
circumvizinha. O plano deverá prever a retirada segura
depessoas, animais e patrimônio essencial antes que os
mesmos possam sofrer os efeitos nocivos da exposição
radioativa. O modelo proposto para a evacuação idealiza a
concentração das pessoas, animais e patrimônio em um centro de
triagem e evacuação. A determinação do número de centros de
triagem transcende a dimensão econômica. Se por um
lado, um número excessivo de centros dificulta a coordenação
da evacuação e aumenta o risco da exposição dos seres humanos,
por outro, um número pequeno ocasionará certamente
insuficiência no atendimento. As unidades de discretização
possuem as seguintes demandas:

pi =número de pessoas na área i

vi =número de animais na área i

oi =número de unidades de patrimônio na área i

Cada centro de evacuação pode atender g pessoas, k animais e l

unidades de patrimônio.

49
Considerando os limites g = 30, k = 15 e l = 20:

Formule o problema de minimizar o número de centros de triagem

do sistema de evacuação e resolva no solver.

R:

7) Um hospital trabalha com um atendimento variável em

demanda durante as 24 horas do dia. As necessidades distribuem-
se segundo a tabela abaixo:

O horário de trabalho de um enfermeiro é de oito horas quando ele

entra nos turnos 1, 2, 3, 4, e 6. O enfermeiro que entra no turno 4
recebe uma gratificação de 50% sobre o salário e o enfermeiro que
entra no turno 5 trabalha apenas quatro horas. Elabore o modelo de
programação linear inteira que minimiza o gasto com a mão de obra.

50
4-Introdução a Teoria das Filas
4.1-Introdução

As filas (filas de espera) fazem parte do dia-a-dia de nossa vida.

Todos nós esperamos em uma fila para: comprar o ingresso para
uma sessão de cinema, fazer um depósito bancário, pagar as
compras em um supermercado, remeter um pacote no correio,
comprar um sanduíche em uma lanchonete, brincar em um parque de
diversões etc. Acabamos nos acostumando a um volume considerável
de espera, mas ainda assim nos irritamos se tivermos de aguardar
muito em uma fila. Entretanto, ter de esperar não se limita apenas a
esses transtornos pessoais de relativa insignificância. O tempo que a
população de um país perde em filas é um importante fator tanto na
qualidade de vida nesse país quanto na eficiência da economia dessa
nação. Por exemplo, antes de sua dissolução, a União Soviética era
notória por filas enormes que seus cidadãos frequentemente tinham
de suportar para comprar suas necessidades básicas. Mesmo nos
Estados Unidos, estima-se que os norte-americanos gastem
37.000.000.000 horas por ano esperando em filas. Se, no entanto,
esse tempo fosse gasto produtivamente, resultaria em
aproximadamente 20 milhões de pessoas-ano de trabalho útil por
ano!

Mesmo esse número absurdo não é capaz de representar todo o

impacto de se causar uma espera excessiva. Grandes ineficiências
também ocorrem por causa de outros tipos de espera, além daquelas
de pessoas esperando em uma fila. Por exemplo, deixar máquinas
esperando para serem reparadas pode resultar em perdas na
produção.

Veículos (inclusive navios e caminhões) que precisam aguardar para

ser descarregados podem atrasar embarques seguintes. Aviões
aguardando para decolar ou pousar podem afetar horários de vôos

51
posteriores. Atrasos em transmissões de telecomunicações devido a
linhas saturadas podem provocar problemas técnicos com os dados.
Fazer que ordens de produção fiquem esperando para ser realizadas
pode afetar a produção de lotes seguintes. Realizar serviços após a
data combinada pode resultar na perda de futuros negócios.

A teoria das filas é o estudo da espera em todas essas formas

diversas. Ela usa modelos de filas para representar os diversos tipos
de sistemas de filas (sistemas que envolvem filas do mesmo tipo) que
surgem na prática. As fórmulas para cada modelo indicam como o
sistema de filas correspondente deve funcionar, inclusive o tempo de
espera médio que ocorrerá, em uma série de circunstâncias.
Portanto, esses modelos de filas são muito úteis para determinar
como operar um sistema de filas da forma mais eficiente. Fornecer
capacidade de atendimento em excesso para operar o sistema
envolve custos demasiados. Porém, não fornecer capacidade de
atendimento suficiente resulta em espera excessiva e todas suas
lamentáveis consequências. Os modelos permitem encontrar um
equilíbrio apropriado entre custo de serviço e o tempo de espera.

Nesse Capítulo é usado o modelo de filas com um canal, uma fila e

população infinita ( FIFO M /M / /1/ ∞ ), uma vez que os pacientes
são atendidos por um clínico geral. Aqui são utilizadas as seguintes
notações para os indicadores de desempenho:

a) tempo médio de permanência no sistema (TS);

b) número médio de entidades no sistema (NS);

c) Taxa média de chegada (λ);

d) intervalo médio entre chegadas (IC);

Sendo que por definição :

IC=1/λ;

e) tempo médio de permanência na fila (TF);

52
f) número médio de pacientes na fila (NF);

g) tempo médio de atendimento ou de serviço em cada

atendente (TA);

h) capacidade de atendimento ou quantidade de atendentes (c);

i) número médio de entidades que estão sendo atendidos (NA) e

j) Taxa média de atendimento :

µ=1/ TA .

4.2- MODELO DE FILA FIFO M/ M /1/ ∞

No modelo FIFO M/ M /1/∞ , o período entre as chegadas

sucessivas e o tempo de atendimento são markovianos, ou seja,
as chegadas são processadas segundo uma distribuição de
Poisson com média λ chegadas/tempo. Já o atendimento segue
uma distribuição exponencial negativa com média 1/ µ.

A variável aleatória de Poisson de parâmetro λ apresenta uma

função de probabilidade representada por:

Destaca-se que P(X=k) representa a probabilidade (ou frequência

relativa) em que ocorrem k chegadas à unidade de tempo (dias) e λ
é o ritmo médio de chegadas à unidade de tempo especificada.
Essa distribuição é classificada como discreta e tende para a
Distribuição Normal à medida que aumenta o valor de λ .

Já a distribuição Exponencial Negativa é a correspondente da

distribuição de Poisson quando se analisa o intervalo entre
chegadas, quando um fenômeno segue Poisson, ele
automaticamente tende a Distribuição Exponencial, cuja função de
densidade é expressa da seguinte maneira:
53
Considerando-se que 0 > n , isto é, existem n entidades na fila de
espera, pode-se determinar a probabilidade de que o sistema
esteja ocupado, como:

Também pode-se determinar as seguintes relações:

Número médio de entidades no sistema:

L=

Tamanho médio da fila:

²
Lq=

Tempo médio no sistema:

W=

Tempo médio na fila:

²
Wq=

Probabilidade de haver n entidades no sistema:

Pn= (1 − )

54
4.3-Exercícios

Suponha que os sistemas dos exercícios sejam M/M/1

1) Suponha que todos os proprietários de carros completem seus

tanques quando o nível atinge exatamente a metade. Normalmente,
uma média de 7,5 clientes por hora se dirigia a um posto de gasolina
com uma única bomba. O tempo médio de atendimento é de 4
minutos. Com a greve dos caminhoneiros, ocorrida a pouco tempo,
um certo pânico se instalou. Para modelar este fenômeno suponha
que os proprietários passaram a completar o tanque quando o
nível está em 3/4 do tanque. Como cada proprietário está colocando
menos gasolina no tanque, durante uma visita ao posto, assuma que
o tempo médio de serviço tenha caído para 3 1/2 minutos. Como o
pânico afeta L e W?

2) A ocupação média de uma lanchonete de "fast-food" é de

50 pessoas. Sabe-se que chegam a lanchonete 100 pessoas/hora e
que em média uma pessoa demora 20' para fazer sua refeição.

a. Quanto tempo demora um cliente dentro da lanchonete?

b. Qual a percentagem deste tempo é gasta na fila?

3) Considere um sistema com um único atendente tendo uma

distribuição de chegadas Poisson com média = 10 c/h. Atualmente
o atendente trabalha de acordo com uma distribuição exponencial
com um tempo médio de serviço de 5 min. A gerência tem a sua
disposição um curso de treinamento que terá como resultado
uma melhora (decréscimo) na variância do tempo de serviço,
porém com um leve aumento da média. Após a execução do
curso estima-se que o tempo médio de serviço aumentará para
5,5 min, porém o desvio padrão decrescerá de 5 para 4 min.

Deve a gerência mandar o atendente fazer este curso?

55
4) Uma fábrica possui um depósito de ferramentas onde os operários
vão receber as ferramentas especiais para a realização de uma
determinada tarefa. Verificou-se que o ritmo de chegada (λ) é de
uma chegada por minuto e o ritmo de atendimento (μ) é de 1,2
atendimentos por minuto (seguem o modelo marcoviano M/M/1). A
fábrica paga $9,00 por hora ao atendente e $18,00 por hora ao
operário.
Determine:
a) O custo horário do sistema.
(Resposta: $99,00 por hora)
b) A fração do dia em que o atendente não trabalha.
(Resposta: 16%)
5) Uma cooperativa agrícola prevê um crescimento na chegada de
caminhões a seu terminal de descarga. O pátio de estacionamento,
onde os caminhões permanecem, comporta seis caminhões. A
cooperativa acha aceitável que um caminhão aguarde na fila sua vez
de descarregar no máximo 0,75h. Como a equipe de descarga tem
condições de descarregar quatro caminhões por hora em média,
deseja-se saber:
a) Qual a taxa média de chegada que faz com que o tempo médio de
espera seja igual ao máximo admissível?
(Resposta: 3 caminhões por hora)
b) Para essa taxa de chegadas, qual a probabilidade de que o pátio
não seja suficiente?
(Resposta:0,10)
6) Em um sistema de uma fila e um canal, foram medidos a taxa de
ocupação (0,8) e o tempo médio gasto na fila (15 min). Determine as
seguintes probabilidades:
a) De ocorrer 10 chegadas por hora;
(0,0898)
b) De que ocorram 12 atendimentos por hora e
(0,066)
c) De formar uma fila com 10 clientes.
(0,0215)
56
5-Revisão de Probabilidade
5.1-Introdução

Proponentes da definição da probabilidade por meio da frequência

relativa usualmente respondem a essa objeção dizendo que a
convergência de n(E)/n para um valor limite constante é uma
suposição, ou um axioma, do sistema. Entretanto, supor que n(E)/n
necessariamente convergirá para algum valor constante parece ser
uma suposição extraordinariamente complicada. Pois, embora
realmente esperemos que tal frequência limite exista, não parece, a
priori, de forma alguma evidente que este seja necessariamente o
caso. De fato, não seria mais razoável supor um conjunto de axiomas
simples e autoevidentes para a probabilidade e então provar que tal
frequência limite constante existe de alguma maneira?

Esta é a abordagem axiomática moderna da teoria da probabilidade

que adotamos neste texto. Em particular, vamos assumir que, para
cada evento E no espaço amostral S, existe um valor P(E) chamado
de probabilidade de E. Vamos então supor que todas as
probabilidades satisfazem certo conjunto de axiomas, os quais,
esperamos que o leitor concorde, estão de acordo com nossa noção
intuitiva de probabilidade. Considere um experimento cujo espaço
amostral é S.

Para cada evento E do espaço amostral S, assumimos que um

número P(E) seja definido e satisfaça os três axiomas a seguir:

57
Referimo-nos a P(E) como a probabilidade do evento E.

Assim, o Axioma 1 diz que a probabilidade de o resultado do

experimento ser o resultado de E é igual a algum número entre O e
1. O Axioma 2 diz, com probabilidade 1, que o resultado será um
ponto contido no espaço amostral S. O Axioma 3 diz que, para
qualquer sequência de eventos mutuamente exclusivos, a
probabilidade de pelo menos um desses eventos ocorrer é justamente
a soma de suas respectivas probabilidades.

A próxima proposição fornece a relação entre a probabilidade da

união de dois eventos, expressa em termos das probabilidades
individuais e da probabilidade de interseção dos eventos.

P(E U F) = P(E) + P(F) - P(EF)

Para deduzir uma fórmula para P(E U F), primeiro notamos que E U F
pode ser escrito como a união dos dois eventos disjuntos E e E'F

ou, de outra forma:

P(E U F) = P(E) + P(F) - P(II)

de acordo com o diagrama a seguir.

58
 Diagrama de Venn

5.2-Probabilidade condicional

Se E e F representarem, respectivamente, o evento em que a soma

dos dados é igual a 8 e o evento em que o primeiro dado é um 3,
então a probabilidade que acabamos de obter é chamada de
probabilidade condicional de que E ocorra dado que F ocorreu e é
representada por Uma fórmula geral para P(E/F) que seja válida para
todos os eventos E e F, é deduzida da mesma maneira: se o evento F
ocorrer, então, para que E ocorra, é necessário que a ocorrência real
seja um ponto tanto em E quanto em F; isto é, ela deve estar em EF.
Agora, como sabemos que F ocorreu, tem-se que F se torna nosso
novo, ou reduzido, espaço amostral; com isso, a probabilidade de que
o evento EF ocorra será igual à probabilidade de EF relativa à
probabilidade de F. Isto é, temos a seguinte definição.

59
5.3-Variáveis aleatórias

Frequentemente, quando realizamos um experimento, estamos

interessados principalmente em alguma função do resultado e não no
resultado em si. Por exemplo, ao jogarmos dados, estamos muitas
vezes interessados na soma dos dois dados, e não em seus valores
individuais. Isto é, podemos estar interessados em saber se a soma
dos dados é igual 7, mas podemos não estar preocupados em saber
se o resultado real foi (1,6), (2,5), (3,4), (4,3), (5,2) ou (6,l).

Também, ao jogarmos uma moeda, podemos estar interessados no

número de caras que vão aparecer, e não na sequência de caras e
coroas que teremos como resultado. Essas grandezas de interesse,
ou, mais formalmente, essas funções reais definidas no espaço
amostral, são conhecidas como variáveis aleatórias.

Como o valor da variável aleatória é determinado pelo resultado do

experimento, podemos atribuir probabilidades aos possíveis valores
da variável aleatória.

Exemplo:

Suponha que nosso experimento consista em jogar 3 moedas

honestas, com H simbolizando cara e T simbolizando coroa. Se Y
representar o número de caras que aparecerem, então Y é uma
variável aleatória que pode ter um dos valores 0,1,2 e 3 com
respectivas probabilidades.

60
Valor Esperado.

Um dos conceitos mais importantes na teoria da probabilidade é

aquele do valor esperado de uma variável aleatória. Se X é uma
variável aleatória com função de probabilidade p(x), então a
esperança, ou o valor esperado, de X, representada por E[X], é
definida por:

Colocando em palavras, o valor esperado de X é uma média

ponderada dos possíveis valores que X pode receber, com cada valor
sendo ponderado pela probabilidade de que X seja igual a esse valor.

Exemplo:

Determine E[q], onde X é o resultado que obtemos quando rolamos

um dado honesto.

Variância

Dada uma variável aleatória Xe sua função distribuição F, seria

extremamente útil se pudéssemos resumir as propriedades essenciais
de F em certas medidas convenientemente definidas. Uma dessas
medidas seria E[X], o valor esperado de X. Entretanto, embora E[A
forneça a média ponderada dos valores possíveis de X, ela não nos
diz nada sobre a variação, ou dispersão, desses valores.

Por exemplo, embora as variáveis aleatórias W, Y e Z com funções

discretas de probabilidade determinadas por:

61
tenham todas a mesma esperança -que é igual a O - existe uma
dispersão muito maior nos valores possíveis de Y do que naqueles de
W (que é uma constante) e nos valores possíveis de Z do que
naqueles de Y. Como esperamos que X assuma valores em torno de
sua média E[q], parece razoável que uma maneira de medir a
possível variação de X seja ver, em média, quão distante X estaria de
sua média. Uma possível maneira de se medir essa variação seria
considerar a grandeza E[IX- pl], onde p = E[X]. Entretanto, a
manipulação dessa grandeza seria matematicamente inconveniente.
Por esse motivo, uma grandeza mais tratável é usualmente
considerada, esta é a esperança do quadrado da diferença entre X e
sua média. Temos assim a definição a seguir.

Covariância

A covariância ou variância conjunta é um momento conjunto de

primeira ordem das variáveis aleatórias X e Y,centrados nas
respectivas médias. É a média do grau de interdependência ou
interrelação numérica entre elas.

Se X e Y são independentes, então a sua covariância é zero. Isto

acontece porque sob independência:

62
Se X e Y são variáveis aleatórias de valor real e a, b, c e d constantes
("constante", neste contexto significa não aleatória), então os
seguintes fatos são uma consequência da definição da covariância:

Variância da soma

Var(ax + by) = a²Var(x)+b²Var(y)+2abcov(x,y)

5.4-Exercícios

1) O número de chamadas telefônicas recebidas por uma central

e suas respectivas probabilidades para um intervalo de um minuto
são:

Qual é o número esperado de chamadas em um minuto?

63
2) Uma variável aleatória discreta pode assumir cinco valores,
conforme a distribuição de probabilidade:

a) Encontre o valor de P(3).

b) Calcule a média da distribuição.

c) Calcule a variância e o desvio padrão de X.

3) considere um jogo no qual se lançam três moedas não viciadas e

se recebe R$ 2,00 caso apareça 1 cara, R$ 4,00 se aparecerem 2
caras e R$ 8,00 caso apareçam 3 caras. Se nenhuma cara ocorrem,
nada se recebe. Quanto se esperaria ganhar caso fizesse esse jogo
uma vez?

4) em uma caixa há 5 peças boas e 3 defeituosas. Duas peças

são retiradas ao acaso e sem reposição. Definindo a variável aleatória
X como sendo o número de peças boas retiradas, obtenha a
distribuição de probabilidades, o valor esperado, a variância e o
desvio padrão.

5) Uma companhia de seguros acredita que pessoas possam ser

divididas em duas classes: aquelas que são propensas a acidentes e
aquelas que não são. A estatística da companhia mostra que uma
pessoa propensa a acidentes tem probabilidade de 0,4 de sofrer um
acidente dentro de um período fixo de l ano, enquanto essa
probabilidade cai para 0,2 no caso de uma pessoa não propensa a
acidentes. Se supomos que 30% da população é propensa a
acidentes, qual é a probabilidade de que um novo segurado sofra um
acidente no período de um ano posterior a compra de sua apólice?

64
6)De acordo com o enunciado do exercício 5, suponha que um novo
segurado sofra um acidente em menos de um ano após a compra da
apólice. Qual é a probabilidade de que ele seja propenso a acidentes?

7) Considere o seguinte jogo de cartas jogado com um baralho

comum de 52 cartas: as cartas são embaralhadas e então viradas
uma de cada vez. Em qualquer momento, o jogador pode dizer que a
próxima carta a ser virada será o ás de espadas; se ela o for, então o
jogador vence. Além disso, o jogador é considera- do vencedor se o
ás de espadas não tiver aparecido e restar apenas uma carta, desde
que nenhuma tentativa de adivinhá-lo tenha sido feita. Qual seria
uma boa estratégia? Qual seria uma estratégia ruim?

65
6-Análise de decisão
6.1-Introdução

Os capítulos anteriores se concentraram principalmente na tomada de

decisão quando as consequências de decisões alternativas eram
conhecidas com um razoável grau de certeza. Esse ambiente de
tomada de decisão permitiu a formulação de modelos matemáticos
úteis (programação linear, programação inteira, programação não
linear etc.) com funções objetivo que especificam as consequências
estimadas de qualquer combinação de decisões.

Embora essas consequências normalmente não possam ser previstas

com absoluta certeza, elas poderiam ao menos ser estimadas com
precisão suficiente para justificar o emprego de tais modelos
juntamente com a análise de sensibilidade etc.).

Entretanto, as decisões muitas vezes têm de ser tomadas em

ambientes que estão muito mais propensos a estar cheios de
incertezas. Eis alguns exemplos.

1. Um fabricante lançando um novo produto no mercado. Qual será a

reação de prováveis clientes? Quanto deve ser produzido? O produto
deve ser comercializado de forma experimental em uma pequena
região antes de decidir pela distribuição plena? Qual é o nível de
propaganda necessário para que o lançamento do produto seja bem-
sucedido?

2. Uma financeira investindo em títulos. Quais são os segmentos de

mercado e títulos individuais com melhores perspectivas? Para quais
caminhos a economia está se dirigindo? E as taxas de juros? Como
esses fatores afetam as decisões de investimentos?

3. Uma empreiteira participando de uma concorrência pública. Quais

serão os custos efetivos do projeto? Quais seriam as demaisempresas
participantes da concorrência? Quais seriam suas prováveis ofertas?

66
4. Uma empresa do setor agrícola selecionando o mix de plantações e
de animais de cria para a próxima temporada. Quais serão as
condições climáticas? Quais serão os preços? Quais serão os custos?

5. Uma empresa petrolífera decidindo se deve ou não perfurar um

poço em determinado local. Qual a probabilidade de existir petróleo
aí? Em que volumes? Qual é a profundidade necessária para
perfuração? Os geólogos devem investigar mais o local antes de
perfurar?

Esses são tipos de tomada de decisão que enfrentam um grande grau

de incerteza para os quais a análise de decisão foi desenvolvida. A
análise de decisão fornece uma estrutura e metodologia para tomada
de decisão racional quando os resultados são incertos.

6.2-Exemplo Protótipo

A GOFERBROKE COMPANY é proprietária de uma área de terra que

pode conter petróleo. Um geólogo consultor relatou à direção que ele
acredita que haja 1 chance em 4 de encontrar petróleo.

Em virtude dessa possibilidade, outra companhia petrolífera ofereceu

US$ 90.000 para compra do terreno. Entretanto, a Goferbroke está
considerando a possibilidade de permanecer com o terreno de modo
a ela própria perfurá-lo em busca de petróleo. O custo de perfuração
é de US$ 100.000. Se for encontrado petróleo, a receita esperada
resultante será de US$ 800.000.

Tabela Prêmio

67
Qual a decisão que a companhia GoferBroke deve tomar:

1) vender a terra e ganhar $90.000,00 sem riscos ou

2) perfurar o poço a um custo de $100.000,00 e obter um retorno de

$800.000,00, resultando em lucro de $700.000,00 com um risco
estimado em 75% (3 em 4) ?

TOMADA DE DECISÃO SEM EXPERIMENTAÇÃO

Como se percebe no exemplo protótipo, existe uma informação

referente à chance que existe em achar petróleo ou não. Esta
informação pode ser convertida em uma medida de probabilidade.
Com isso, pode-se dizer que existe uma probabilidade de 0.25 de
encontrar petróleo e consequentemente, uma probabilidade de 0.75
de não encontrar petróleo. A estas probabilidades dá-se o nome de
Probabilidades a Priori. Na terminologia de Análise de Decisão, os
valores $700.000,00, $-100.000,00, $90.000,00 e $90.000,00 da
tabela 1 são denominados Payoffs e os nomes “Poço com Petróleo” e
“Poço Seco” são denominados Estados da Natureza. Por Tomada de
Decisão Sem Experimentação, entende-se que é de conhecimento
apenas as Probabilidades a Priori e os Estados da Natureza. Neste
tipo de tomada de decisão pode-se utilizar, entre outros, três
critérios:

1. Critério de Maximin Payoff,

2. Critério de Máxima Verossimilhança, e

3. Critério da Regra de Bayes.

Critério de Maximin Payoff

Neste critério, o problema de tomar uma decisão é vista como um

Jogo (Teoria dos Jogos) entre o Tomador de Decisão (jogador A) e a
Natureza (jogador B).

68
Como a matriz de Payoff é geralmente formada para o Tomador de
Decisão (os valores da matriz são os payoff para o jogador A), a
decisão pode ser tomada baseada no Critério de Maximin Payoff.
Critério de Maximin Payoff: para cada ação (estratégia), encontrar o
mínimo payoff entre todos os Estados da Natureza e então encontrar
o máximo destes payoff mínimos. Escolher a ação cujo mínimo payoff
resultou neste máximo.

No exemplo protótipo o Maximin é:

Tabela Prêmio

Com isso, a decisão a ser tomada é vender a terra.

Critério de Máxima Verossimilhança

Este critério assume como decisão a ser tomada a que for mais
provável. Critério de Máxima Verossimilhança: identificar o Estado da
Natureza mais provável (o com maior probabilidade). Para este
Estado da Natureza, encontrar a ação com máximo payoff. Escolher
esta ação. Aplicando este critério para o exemplo protótipo, indica
que o Estado Poço Seco possui a maior probabilidade. Na coluna
"Poço Seco", a alternativa "Vender a terra" possui o maior payoff.

69
Com isso, a ação a ser tomada, segundo este critério é vender a
terra. O maior problema deste critério é que este ignora
completamente muita informação relevante. Nenhum outro Estado da
Natureza é considerado, a não ser o mais provável.

Regra de Decisão de Bayes:

Usando a melhor estimativa das probabilidades dos respectivos

Estados da Natureza (as Probabilidades à Priori), calcular o valor
esperado de payoff para cada alternativa possível.

Escolher a alternativa com máximo payoff esperado.

Para o exemplo protótipo, os payoff esperados E são calculados

diretamente a partir da primeira tabela como:

E[Payoff (Perfurar)] = 25.0 *700.000 00, + 75.0 *(−100.000 00, )

= 100.000 00, (1)

E[Payoff (Vender Terra)] = 25.0 *90.000 00, + 75.0 *(90.000 00, )

= 90.000 00, (2)

Uma vez que $100.000,00 é maior que $90.000,00 a ação a ser

tomada, segundo este critério é perfurar o poço. Percebe-se que este
critério resultou em uma ação diferente das ações obtidas segundo os
dois critérios anteriores. A grande vantagem deste critério em relação
aos demais é que este incorpora todas as informações disponíveis
(Estados da Natureza e Probabilidades a Priori).

70
Tomada de Decisão Com Experimentação

Frequentemente, testes adicionais (experimentações) podem ser

realizados para melhorar as estimativas preliminares dos respectivos
Estados da Natureza fornecidos pelas Probabilidades a Priori. Estas
estimativas melhoradas são denominadas Probabilidades a Posteriori.
Exemplo Protótipo com Experimentação:

A companhia GoferBroke pode realizar um levantamento geofísico

mais detalhado das suas terras para obter uma melhor estimativa da
probabilidade de encontrar petróleo. O custo deste levantamento é
$30.000,00. O levantamento geofísico obtém sondagens sísmicas que
indicam se a estrutura geológica é favorável para a presença de
petróleo. Assim, as possibilidades de encontrar petróleo podem ser
divididas em duas categorias:

USS: Sondagem Sísmica Desfavorável ⇒ presença de petróleo na

região é pouco provável;

FSS: Sondagem Sísmica Favorável ⇒ presença de petróleo na região

é bastante provável.

Baseado em experiências passadas, se existir petróleo, então a

probabilidade de Sondagem Sísmica Desfavorável é:

P(USS/ Estado = petróleo) = 0,4 , e (1)

P(FSS/Estado = petróleo) = 1− 0,4 = 0,6 (2)

Similarmente, se não há petróleo (isto é, o Estado da Natureza é

Poço Seco), então a probabilidade de Sondagem Sísmica
Desfavorável é estimada:

P(USS/ Estado = poço seco) = 0,8 e (3)

P(FSS/Estado = poço seco) = 1− 0,8 = 0,2 (4)

A estas probabilidades dadas em (1), (2), (3) e (4) dá-se o nome de

Probabilidades Condicionais, a partir das quais pode-se encontrar as

71
Probabilidades a Posteriori dos respectivos Estados da Natureza dada
as Sondagens Sísmicas.

Retomando o exemplo protótipo, se a constatação do levantamento

sísmico é Sondagem Sísmica Desfavorável (USS), então as
Probabilidades a Posteriori são:

De modo análogo, se um levantamento sísmico fornecer sondagens

sísmicas favoráveis (FSS), então:

Diagrama de árvore do problema:

72
No diagrama de árvore, as Probabilidades a Priori estão na primeira coluna e
as Probabilidades Condicionais estão na segunda coluna.

Estas probabilidades são as informações de entrada. Multiplicando cada

Probabilidade na primeira coluna por uma probabilidade na segunda coluna
resulta na Probabilidade Conjunta correspondente na terceira coluna. Cada
Probabilidade Conjunta torna-se o numerador no cálculo das Probabilidades
a Posteriori na quarta coluna.

Acumulando as Probabilidades Conjuntas com mesma constatação, fornece

o denominador para cada Probabilidade a Posteriori com esta constatação.
Depois que estes cálculos foram completados, a Regra de Decisão de Bayes

73
pode ser aplicada simplesmente como em (1) e (2), com as Probabilidades a
Posteriori no lugar das Probabilidades a Priori. De novo, usando os payoffs
dados e subtraindo o custo da experimentação, obtém-se o seguinte
resultado:

Payoff Esperado se constatação é Sondagem Sísmica Desfavorável (USS):

E[Prêmio (perfuração/Descoberta=USS)] = (1/7)*(700)+(6/7)*(-100)-30

=-15,7

E[Prêmio (venda / Descoberta= USS)]= (1/7)*(90) + (6/7)*(90) - 30

= 60

Prêmios esperados se a descoberta for sondagens sísmicas favoráveis( FSS):

E[Prêmio (perfuração/Descoberta=FSS)] =(1/7)*(700)+(6/7)*(-100) -

30=270

E[Prêmio (venda/Descoberta=FSS)]=(1/7)*(90)+(6/7)*(90)-30 = 60

Uma vez que o objetivo é maximizar o Payoff Esperado, estes resultados

produzem a seguinte política ótima, como mostra a tabela:

Tabela Prêmio

Entretanto, este resultado não responde se é válido gastar (ou não)

$30.000,00 para realizar a experimentação. 3.2 O Valor da Experimentação
Antes de realizar qualquer experimentação, deve-se estimar seu valor
potencial. Para isto pode-se utilizar dois métodos. O primeiro método
assume que o experimento irá remover toda a incerteza sobre o verdadeiro
Estado da Natureza e então se calcula a melhora no Payoff Esperado
ignorando o custo da experimentação. Esta quantidade, denominada Valor

74
Esperado da Informação Perfeita (EVPI) fornece um limite superior para o
valor potencial do experimento. Portanto, se este limite superior é menor
que o custo da experimentação, a experimentação não deve ser realizada.
Entretanto, se este limite superior excede o custo da experimentação, então
um segundo método deverá ser utilizado. Este segundo método calcula a
melhora atual no Payoff Esperado (ignorando o custo da experimentação)
que resultaria a partir de realizar a experimentação. A comparação da
melhora do Payoff Esperado com o custo indica se a experimentação deve
ou não ser realizada. Valor Esperado da Informação Perfeita: admitindo que
a experimentação permita identificar o verdadeiro Estado da Natureza
(informação perfeita) e portanto, a ação a ser realizada é aquela que fornece
o maior Payoff para aquele Estado. Uma vez que não se conhece qual o
Estado da Natureza que será identificado como verdadeiro Estado da
Natureza, o cálculo do Payoff Esperado com Informação Perfeita (ignorando
os custos da experimentação) requer ponderar o máximo Payoff para cada
Estado da Natureza pelas suas respectivas Probabilidades a Priori. A tabela a
seguir mostra os Payoff Máximos (em milhares de $) para os possíveis
Estados da Natureza do exemplo protótipo.

Tabela Prêmio

O Payoff Esperado com Informação Perfeita (EVWPI) para o exemplo

protótipo é então: EVWPI = 0,25* (700) + 0,75* 90= 242,5

75
O Valor Esperado da Informação Perfeita (EVPI) é calculado como: EVPI =
EVWPI− EVWOE onde EVWOE é o Valor Esperado Sem Experimentação.
Geralmente a experimentação não fornece Informação Perfeita, porém o
EVPI fornece um limite superior do valor esperado da experimentação. Para
o exemplo protótipo, o Valor Esperado Sem Experimentação é 100.
Portanto:

EVPI = 242 5. −100 = 142 5. Uma vez que 142.5 é maior que 30 (custo do
levantamento geofísico), deve-se proceder com o levantamento geofísico. O
segundo método citado abaixo avalia o potencial benefício da
experimentação.

6.3- Exercícios

1) Você é um tomador de decisão que está diante de 4 alternativas e

três estados da natureza. Analisando o seu problema, você consegue
montar a matriz de decisão abaixo, onde os resultados indicam os
lucros estimados (em milhões de reais anuais) sob cada alternativa e
estado da natureza.

EN1 EN2 EN3

A1 25 12 18
A2 8 20 34
A3 14 30 16
A4 20 15 25

Por outro lado, você acredita que seja possível atribuir probabilidades
aos estados da natureza da seguinte forma:
P(EN1) = 0,30 P(EN2) = 0,25 P(EN3) = 0,45
Escolha a melhor alternativa sob risco.
2)Localização de lojas
• 3 cidades, ABC • d(A,B)=10, d(A,C)=20, d(B,C)=15
• P(A)=45%, P(B)=35%, P(C)=20%

76
• Rede I (Grande) e rede II (pequena); se I e II juntas ou
equidistantes, I fica com 65%; I mais próxima fica com 90% ; I mais
distante fica com 40% e I não fica em C
• Onde I deve localizar a nova loja?
3) A Silicon Dynamics desenvolveu um novo chip de computador que
lhe permitirá começar a produzir e comercializar um computador
pessoal se ela assim o quiser. Alternativamente, ela pode vender os
direitos referentes ao chip de computador por US$ 15 milhões. Se a
empresa optar por fabricar computadores, a lucratividade da
operação dependerá da habilidade da empresa em comercializar o
computador durante o primeiro ano. Ela tem acesso suficiente a lojas
que lhe pode garantir a venda de 10.000 computadores. No entanto,
se esse computador for bem-aceito pelo mercado, a empresa poderá
vender 100.000 máquinas. Para fins de análise, esses dois níveis de
vendas são considerados como os dois resultados possíveis para
comercialização do computador, mas não está claro quais seriam
suas probabilidades prévias. O custo de implantação inicial da linha
de montagem é de US$ 6 milhões. A diferença entre o preço de
venda e o custo variável de cada computador é de US$ 600.
(a) Desenvolva uma formulação de análise de decisão para esse
problema identificando as alternativas de decisão, os estados de
natureza e a tabela de prêmios.
(b) Desenvolva um gráfico que represente o prêmio esperado para
cada uma das alternativas de decisão versus a probabilidade prévia
de vender 10.000 computadores.

77
 Anexo

Exemplos do Capítulo 2 Resolvidos no LINGO

Exemplo 1
Mix de produção.
Max = 4 * XA + 2 * XB + 3 * XC ;

7 * XA + 3 * XB + 6 * XC <= 150 ;

4 * XA + 4 * XB + 5 * XC <= 200;

XA >= 0;

XB >= 0;

XC >= 0;

Exemplo 2
Problema da dieta.
MIN = 10.8 * X1 + 20.5 * X2 + 22.5 * X3 + 21.2 * X4 + 16.1 * X5
+ 15 * X6 ;

44.7 * X1 + 8.4 * X2 + 7.4 * X3 + 2.2 * X4 + 9.6 * X5 + 26.9 * X6

>= 3 ;

2 * X1 + 19.1 * X2 + 16.4 * X3 + 0.2 * X4 + 2.7 * X5 + 11.4 * X6

>= 0.8 ;

33.3 * X1 + 23.5 * X2 + 10.3 * X3 + 50.8 * X4 + 5.4 * X5 + 24.7 *

X6 >= 2.7 ;

X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;

Exemplo 3.

78
Problema de transporte.
MIN = 1 * X11 + 0.8 * X12 + 3 * X13 + 4.5 * X14 + 1.5 * X21 + 0.6
* X22 + 2.5 * X23 + 3 * X24 + 6 * X31 + 5 * X32 + 1.2 * X33 + 2.8
* X34 ;

X11 + X12 + X13 + X14 <= 470 ;

X21 + X22 + X23 + X24 <= 400 ;

X31 + X32 + X33 + X34 <= 400 ;

X11 + X21 + X31 = 350 ;

X12 + X22 + X32 = 300 ;

X13 + X23 + X33 = 300 ;

X14 + X24 + X34 =120 ;

X11 >= 0;
X12 >= 0;
X13 >= 0;
X14 >= 0;
X21 >= 0;
X22 >= 0;
X23 >= 0;
X24 >= 0;
X31 >= 0;
X32 >= 0;
X33 >= 0;
X34 >= 0;

Exemplo 4.
Seleção de mídias para propaganda.

MAX = 4000 * X1 + 900000 * X2 + 500000 * X3 + 200000 * X4 ;

40000 * X1 + 75000 * X2 + 30000 * X3 + 15000 * X4 <= 800000 ;

300000 * X1 + 400000 * X2 + 200000 * X3 + 100000 * X4 >=

2000000 ;

40000 * X1 + 75000 * X2 <= 500000 ;

79
X1 >= 3 ;
X2 >= 2 ;
X3 >= 5 ;
X3 <= 10 ;
X4 >=5 ;
X4 <= 10 ;

Exemplo 7
Mistura para gasolinas.

MAX = 5.5 * ( X1A + X2A + X3A + X4A )+ 4.5 * ( X1B + X2B + X3B
+ X4B ) + 3.5 * ( X1C + X2C + X3C + X4C ) - 3 * ( X1A + X1B +
X1C ) - 6 * ( X2A + X2B + X2C ) - 4* ( X3A + X3B + X3C) - 5 * (
X4A + X4B + X4C );

X1A + X1B + X1C <= 3000 ;

X2A + X2B + X2C <= 2000 ;

X3A + X3B + X3C <= 4000 ;

X4A + X4B + X4C <= 1000 ;

X1A <= 0.30 * ( X1A + X2A + X3A + X4A ) ;

X3A <= 0.50 * ( X1A + X2A + X3A + X4A ) ;

X2A >= 0.40 * ( X1A + X2A + X3A + X4A ) ;

X1B <= 0.50 * ( X1B + X2B + X3B + X4B ) ;

X2B >= 0.10 * ( X1B + X2B + X3B + X4B ) ;

X1C <= 0.70 * ( X1C + X2C + X3C + X4C ) ;

Mistura para gasolinas( Variante com variáveis inteiras).

80
MAX = 5.5 * ( X1A + X2A + X3A + X4A )+ 4.5 * ( X1B + X2B + X3B
+ X4B ) + 3.5 * ( X1C + X2C + X3C + X4C ) - 3 * ( X1A + X1B +
X1C ) - 6 * ( X2A + X2B + X2C ) - 4* ( X3A + X3B + X3C) - 5 * (
X4A + X4B + X4C );

X1A + X1B + X1C <= 3000 ;

X2A + X2B + X2C <= 2000 ;

X3A + X3B + X3C <= 4000 ;

X4A + X4B + X4C <= 1000 ;

X1A <= 0.30 * ( X1A + X2A + X3A + X4A ) ;

X3A <= 0.50 * ( X1A + X2A + X3A + X4A ) ;

X2A >= 0.40 * ( X1A + X2A + X3A + X4A ) ;

X1B <= 0.50 * ( X1B + X2B + X3B + X4B ) ;

X2B >= 0.10 * ( X1B + X2B + X3B + X4B ) ;

X1C <= 0.70 * ( X1C + X2C + X3C + X4C ) ;

@GIN ( X1A ) ;
@GIN ( X1B ) ;
@GIN ( X1C ) ;
@GIN ( X2A ) ;
@GIN ( X2B ) ;
@GIN ( X2C ) ;
@GIN ( X3A ) ;
@GIN ( X3B ) ;
@GIN ( X3C ) ;
@GIN ( X4A ) ;
@GIN ( X4B ) ;
@GIN ( X4C ) ;

Solução Exercícios propostos do capítulo 2 utilizando Lingo.

Exercício1)
Problema da radioterapia.
min = 0.4 * x1 + 0.5 * x2 ;

0.3 * x1 + 0.1 * x2 <= 2.7 ;

81
0.5 * x1 + 0.5 * x2 = 6 ;

0.6 * x1 + 0.4 * x2 <= 6 ;

x1 >= 0 ;

x2 >= 0 ;

Exercício 2)

Problema do Planejamento regional( Kibutzim)

max = 1000 *(x1 + x2 + x3) + 750 * (x4 + x5 + x6) + 250 * (x7 +

x8 + x9) ;

X1 + X4 + X7 <= 400 ;

X2 + X5 + Xg <= 600 ;

X3 + X6 + X9 <= 300 ;

3 * x1 + 2 * x4 + X7 <= 600 ;

3 * X2 + 2 * x5 + X8 <= 800 ;

3 * X3 + 2 * x6 + X9 <= 375 ;

X1 + X2 + X3 <= 600 ;

X4 + X5 + X6 <= 500 ;

X7 + X8 + X9 <= 325 ;

(( X1 + X4 + X7)/400)= ((X2 + X5 + X8)/600) ;

(( X2 + X5 + X8)/600) = ((X3 + X6 + X9)/300) ;

(( X3 + X6 + X9)/300) = (( X1 + X4 + X7)/400) ;

X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;
X7 >= 0;
82
X8 >= 0;
X9 >= 0;

Exercício 3)

Problema da poluição do ar.

min = 8 * x1 + 10 * x2 + 7 * x3 + 6 * x4 + 11 * x5 + 9 * x6 ;

12 * x1 + 9 * x2 + 25 * x3 + 20 * x4 + 17 * x5 + 13 * x6 >= 60 ;

35 * x1 + 42 * x2 + 18 * x3 + 31 * x4 + 56 * x5 + 49 * x6 >= 150;

37 * x1 + 53 * x2 + 28 * x3 + 24 * x4 + 29 * x5 + 20 * x6 >= 125;

X1 <= 1;
X2 <= 1;
X3 <= 1;
X4 <= 1;
X5 <= 1;
X6 <= 1;

X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;

83
84
Referências

Hillier,S. & Gerald J. : Introdução à pesquisa operacional, 8ª

Edição,McGraw-Hill, São Paulo, 2006.

Lachtermartcher,G.:Pesquisa Operacional na tomada de decisões

4ª edição, Elsevier Campus, São Paulo: 2008

Magalhães,M.N.:Probabilidade e Estatística, 6ª Edição, EDUSP, São

Paulo: 2004

Marins,F. A. Silva:Pesquisa Operacional na tomada de decisões,1ª

Edição, Cultura Acadêmica, Baurú:2011.

Montgomery ,D. : Applied Statistics and Probability for Engineers, 2ª

Edição,.John Wiley&Sons Inc., New York: 2001

Ross, S.: A first Course on Probability, 8ª Edição . Pearson Education

Inc., New York: 2010

Taha,H : Pesquisa Operacional. 8ªedição. Pearson São Paulo: 2007.

85