CAPÍTULO 12

TOMADA DE DECISÃO COM MÚLTIPLOS

OBJETIVOS E HEURÍSTICA

VISÃO GERAL DO CAPÍTULO

12.1 Introdução
12.2 Programação da produção (trabalhos em seqüência)
12.3 Programação com recursos limitados (suavização da carga de trabalho)
12.4 Múltiplos objetivos
12.5 Processo da hierarquia analítica
12.6 Observações sobre implementação

Termos-chave
Exercícios de revisão
Problemas
Caso 1: Sleepmore Mattress Manufacturing: consolidação da planta fabril
Referências
CD12-2 Tomada de Decisão em Administração com Planilhas Eletrônicas
A teoria na prática
Reconciliando vários objetivos concorrentes: questões sobre o gerenciamento de áreas florestais
Nas últimas duas décadas, vários fatores modificaram a prática
do gerenciamento de áreas florestais no mundo todo. À medida
que a população e a demanda por recursos aumentam, a produti-
vidade de muitas florestas aproxima-se ou excede os níveis sus-
tentáveis de uso. As pessoas estão cada vez mais cientes da ne-
cessidade da preservação de ecossistemas florestais, para garan-
tir um amplo espectro de recursos e para proteger as espécies
ameaçadas de extinção, o hábitat da vida selvagem, as belezas
naturais e a biodiversidade. Como resultado, os gerentes de áreas
florestais estão mudando a ênfase da produção de mercadorias e
serviços (o modelo agrícola) para a manutenção da saúde das flo-
restas, biodiversidade e produtividade (o modelo de ecossiste-
ma). Com uma participação pública cada vez maior no gerencia-
mento de todos os recursos florestais, não surpreende o fato de
que o processo decisório tenha se tornado mais aberto, político e
complexo.
As florestas de domínio público têm múltiplas utilizações su-
jeitas a muitas preocupações. A produtividade de algumas florestas
está diretamente relacionada a valores econômicos: madeira, pas-
tagem, recreação e água. Outras têm um valor menos mensurável:
belezas naturais, vida selvagem intocada, biodiversidade e preser-
vação de espécies em risco de extinção. Igualmente importante são
12.1 Introdução
Às vezes, o modelo de um gerente pode ser tão complexo que
o modelo matemático construído para apoiá-lo não pode ser re-
solvido com os algoritmos tradicionais disponíveis para o ana-
lista. Essa situação pode ocorrer porque
1. O modelo, “formulado corretamente”, pode ser muito
grande, excessivamente não-linear ou logicamente muito
complexo (exigindo, por exemplo, o uso de muitas variá-
veis 0–1 na sua formulação).
2. Percebe-se que a imposição de suposições ou aproxima-
ções simplificadoras, que podem tornar o modelo mais
administrável, destruiria boa parte da importância de sua
estrutura prática (isto é, afastaria o modelo demasiada-
mente da realidade na qual seria útil).
Eis um dilema real. O modelo disponível é muito complexo pa-
ra resolver. Ao mesmo tempo, não estamos dispostos a simpli-
ficar e aperfeiçoá-lo de qualquer maneira. O que uma pessoa
faz nessa situação aparentemente sem solução?
O campo da programação heurística foi desenvolvido para
lidar, dentre outras, com este tipo de situação. Na discussão
precedente, quando empregamos a frase “o modelo é muito
complexo para resolver”, estávamos utilizando a palavra resol-
ver no sentido estritamente matemático. Tínhamos em mente
que o modelo matemático era tão complicado que, mesmo que
existisse uma solução precisa (por exemplo, uma solução óti-
ma em um modelo de otimização), ela seria muito difícil, mui-
to demorada, talvez até mesmo impossível de descobrir com o
as questões sociais e econômicas das comunidades dependentes da
floresta, eqüidade entre gerações diferentes, eficiência e imparcia-
lidade. Na última década, pode-se perceber o envolvimento cres-
cente de grupos ecologicamente conscientes, apoiados por um pú-
blico cada vez mais preocupado com as questões ambientais. O re-
conhecimento explícito dos múltiplos objetivos nos modelos de
planejamento de áreas florestais está se tornando cada vez mais
importante.
Os dois modelos com múltiplos objetivos mais amplamente
utilizados no gerenciamento de áreas florestais baseiam-se na pro-
gramação por objetivos e na programação linear com múltiplos ob-
jetivos. Geralmente, esses modelos otimizam um conjunto especí-
fico de decisões sobre o gerenciamento de áreas florestais levando
em consideração múltiplos objetivos.
Muitos problemas do gerenciamento de áreas florestais com
múltiplos objetivos são resolvidos em um ambiente controverso em
que são propostas restrições reguladoras em um esforço para alcan-
çar níveis satisfatórios de recursos importantes como água, peixes e
fauna. Soluções conciliatórias estão sendo desenvolvidas em torno
da mesa de negociação por meio de modelos computacionais com
múltiplos objetivos que ajudam a delinear essas discussões. (Ver
Weintraub e Bare.)
know-how e a tecnologia existente. Nesse caso, poderia ser em-
pregado um algoritmo heurístico.
Um algoritmo heurístico é um algoritmo que fornece
eficientemente boas soluções aproximadas a um dado mode-
lo. Freqüentemente (mas, de modo algum, sempre), ao em-
pregar esse algoritmo, uma pessoa pode ser capaz de medir
precisamente a “excelência” da aproximação. Por exemplo,
no contexto da otimização, com alguns algoritmos heurísti-
cos, uma pessoa pode afirmar: “Ao término você pode ter cer-
teza de estar dentro de _ % de condição ótima”. Ou, “sob cer-
tas suposições a resposta heurística será ótima em ___% do
tempo”. Um aspecto importante de um algoritmo heurístico é
que ele nunca oferece uma solução “ruim”. É mais importan-
te ter sempre uma solução relativamente boa do que ter a me-
lhor solução algumas vezes e uma solução ruim de vez em
quando.
O termo heurística também é freqüentemente encontrado.
A heurística é uma regra geral intuitiva e atrativa para lidar
com alguns aspectos de um modelo. Uma coleção heurística,
ou algoritmos heurísticos, é referida como um programa heu-
rístico. Alguns códigos de computador para resolver progra-
mas lineares (como o Solver do Excel), por exemplo, empre-
gam a heurística na fase inicial do método Simplex para tentar
rapidamente encontrar um ponto inicial. A heurística é empre-
gada para obter um ponto de partida rápido com o algoritmo de
transporte e assim por diante.
Como podemos deduzir das definições anteriores, você
sem dúvida utiliza freqüentemente a heurística na resolução de
problemas cotidianos. Você vai ao banco e, para minimizar seu
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
tempo de espera, fica na fila mais curta. Embora isso não ofe-
reça nenhuma garantia de ser ótimo, é uma regra geral que fre-
qüentemente funciona muito bem. Ao passar pela alfândega,
talvez você prefira um policial sorridente, embora isso certa-
mente não garanta que ele seja mais tolerante que os outros. A
lista prossegue.
No contexto da programação matemática, a heurística é
freqüentemente empregada em conjunção com, ou como um
caso especial de, estratégias mais gerais ou mais precisas na
solução de problemas. O ponto importante a lembrar é o fato
de que um procedimento ou algoritmo heurístico é intuitiva-
mente atraente, mas somente pode garantir os resultados, se
houver algum, de uma maneira estatística ou dentro de certas
margens de erros. Ele é empregado principalmente para efi-
ciência – a saber, produzir rapidamente bons, se não ótimos,
resultados.
Em termos gerais, do ponto de vista de um gerente, um procedi-
mento heurístico certamente pode ser o mais aceitável e possivel-
mente (em termos de custos) preferível a um algoritmo “mais exa-
to” que produza uma solução ótima. As considerações predomi-
nantes devem ser o volume de discernimento e de orientação que
o modelo pode fornecer e o benefício líquido global conforme me-
dido pela diferença “economia obtida através do modelo menos o
custo da produção do modelo e sua solução”.
Na primeira parte deste capítulo, discutimos vários exem-
plos de algoritmos heurísticos como aplicados aos grandes mo-
delos de otimização combinatória. O termo otimização com-
binatória significa que há somente um número finito de alter-
nativas praticáveis e, se todas elas fossem enumeradas, o mo-
delo ótimo poderia ser encontrado. O problema é que, na práti-
ca, esse número finito freqüentemente significa milhões ou
mesmo bilhões de possibilidades e, conseqüentemente, mesmo
em computadores com alta velocidade uma enumeração com-
pleta está fora de cogitação. Embora esses modelos possam ser
freqüentemente formulados como programas de números intei-
ros com variáveis 0–1, eles freqüentemente são tão grandes que
mesmo a formulação IP é proibitivamente cara para alcançar o
ótimo com a abordagem usual de enumeração parcial ou de
partição e avaliação sucessivas (branch-and-bound).
Seguindo os exemplos descritos na primeira parte deste ca-
pítulo, examinaremos os modelos nos quais o objetivo é alcan-
çar níveis aceitáveis de certos “objetivos”. Por exemplo, consi-
dere um modelo com objetivos múltiplos, mas contraditórios.
O presidente de uma empresa quer lucros altos, mas também
quer manter os preços baixos a fim de evitar a perda de clien-
tes. Um executivo com um orçamento fixo quer investir em
P&D (pesquisa e desenvolvimento) para fornecer benefícios de
longo prazo à empresa, mas também quer comprar matérias-
primas para produzir um produto que gere lucros no curto pra-
zo. Esses exemplos de objetivos múltiplos e contraditórios são
típicos nas aplicações de negócios. A programação de objeti-
vos lida com esses modelos. O tópico está intimamente relacio-
nado à programação heurística, pois, de certa forma, a própria
CD12-3
programação de objetivos poderia ser pensada como uma abor-
dagem heurística para lidar com múltiplos objetivos.
Em seguida, examinaremos uma nova área importante cha-
mada processo de hierarquia analítica (analytic hierarchy pro-
cess – AHP), que é uma ferramenta para ajudar os gerentes a
escolher entre várias alternativas decisórias diferentes quando
há múltiplos critérios utilizados para avaliar as alternativas. Po-
demos lembrar de vários exemplos que se encaixam nessa área
de modelagem geral; por exemplo, escolher um novo computa-
dor ou um pacote de software, selecionar uma universidade, ou
aceitar uma oferta de trabalho. O AHP traz boa disciplina a es-
sa metodologia de decisão.
12.2 Programação da produção (trabalhos
em seqüência)
Tempo de preparação dependente da seqüência
Considere uma única instalação de produção por meio da qual
vários trabalhos devem ser processados – por exemplo, um
computador, uma furadeira ou uma máquina de sorvetes. Em
geral, essa instalação precisa parar depois de processar um dos
trabalhos a fim de estar pronta para o trabalho seguinte. Esse
“tempo de inatividade” (downtime) é chamado de tempo de
preparação (setup time), ou tempo de troca de ferramentas
(changeover time). A duração do tempo de preparação pode
depender do próximo trabalho a ser processado e do trabalho
recém-concluído. Uma seqüência de trabalhos semelhantes
(produzir sorvete de baunilha à francesa depois de sorvete de
baunilha à americana) seria interrompida por menos tempo de
preparação (limpeza da máquina) que uma seqüência de traba-
lhos sem similaridade (baunilha à francesa depois de chocola-
te holandês). Um problema administrativo típico seria criar
uma seqüência de trabalhos de tal maneira que minimize o
tempo total de preparação. Esse é um problema típico para
uma empresa como a Monsanto Chemical, que produz subs-
tâncias químicas em tonéis ou os transporta por meio de cami-
nhões-tanque. Faz diferença a ordem em que os produtos quí-
micos são produzidos ou transportados, como no custo de
substituição do equipamento.
Você pode ver facilmente que, do ponto de vista combina-
tório, isso pode gerar um modelo muito grande. Se houver so-
mente três trabalhos a serem processados, digamos os traba-
lhos A, B e C, qualquer um dos três poderia ser selecionado
em primeiro lugar, com um dos dois remanescentes em segun-
do lugar e o terceiro determinado (isto é, o único trabalho res-
tante). As possíveis seqüências podem ser exibidas como uma
árvore com cada ramificação representando uma seqüência.
As seis possibilidades são mostradas na Figura 12.1. Em
geral, com n trabalhos, há n! = n(n – 1) (n – 2)… 1 possíveis
combinações ou seqüências (n! é o termo matemático n fato-
rial). Apenas 10 trabalhos produzem 10! = 3.628.800 seqüên-
cias diferentes. Você pode ver que esse número de possíveis
seqüências (n!) aumenta rapidamente de acordo com o tama-
nho de n.
CD12-4 Tomada de Decisão em Administração com Planilhas Eletrônicas
A B C Tabela 12.1
B C A C A B
C B C A B A
Figura 12.1 Árvore mostrando seis seqüências possíveis dos três
trabalhos A, B, C.
Obviamente, uma maneira de pensar sobre como resolver
o problema da minimização anterior é por meio da enumera-
ção completa. Isto é, gerar cada uma das n! possíveis seqüên-
cias de trabalhos e calcular o tempo total de preparação neces-
sário para cada seqüência. Em seguida, selecionar a seqüência
associada ao menor tempo total. Embora esse algoritmo forne-
ça um verdadeiro ótimo, ele não é prático nem mesmo para
valores modestos de n devido ao grande número de seqüências
que teria de ser enumerado. Se houvesse 20 trabalhos e um
computador (como o Deep Blue da IBM) pudesse calcular
6.500.000.000 combinações a cada segundo (6500 MIPS na
linguagem de computação), seriam necessários mais de 11
anos para determinar a resposta ótima listando todas as com-
binações possíveis.
Soluções heurísticas
As regras da heurística, embora não garantam uma solução
ótima, são freqüentemente aplicadas a esse modelo, pelo fato
de elas levarem rapidamente a uma solução satisfatória.
Como exemplo, considere um operador de máquina que
tem três trabalhos em lote relativamente grandes a serem exe-
cutados na tarde de uma segunda-feira. A máquina está atual-
mente desocupada. Para cada um desses trabalhos, há um
tempo de preparação (limpar o último trabalho da máquina,
configurar os componentes individuais e outros equipamentos
auxiliares para o novo trabalho, etc.) como especificado na Fi-
gura 12.2. Uma vez que há somente 3! = 3 × 2 = 6 possíveis
seqüências, todos eles podem ser enumerados. Os resultados
são mostrados na Tabela 12.1. Como você pode ver, a seqüên-
cia ótima (tempo mínimo total de preparação) é 0 → A → C
→ B.
Para o
Do traba-
lho
traba A B C
lho
0 27 21 32
A 35 22
B 49 46
C 46 12
Figura 12.2 Tempo de preparação em minutos.
Resultados da enumeração completa
Tempo de
Seqüência preparação Total (min)
0 →A → B → C 27 + 35 + 46 108
0 →A → C → B 27 + 22 + 12 61
0 → B → C →A 21 + 46 + 46 113
0 → B →A → C 21 + 49 + 22 92
0 → C →A → B 32 + 46 + 35 113
0 → C → B →A 32 + 12 + 49 93
Uma heurística gananciosa Agora vamos ver como uma re-
gra heurística poderia ser aplicada a esse modelo. A regra que
ilustraremos é chamada de próxima melhor regra, às vezes
chamada de algoritmo ganancioso (greedy algorithm). A re-
gra é a seguinte:
1. No passo 1 (por exemplo, ao selecionar o primeiro traba-
lho), realize a tarefa com menor tempo inicial de prepa-
ração.
2. Em cada passo subseqüente, selecione a tarefa com me-
nor tempo de preparação, baseado no estado atual.
Vamos agora aplicar essa regra aos dados na Figura 12.2. A ta-
refa com o menor tempo inicial de preparação é B. Portanto, o
primeiro passo é 0 → B. De acordo com o algoritmo ganancio-
so, dado o fato de que acabamos de completar B, a tarefa a ser
selecionada é C, uma vez que a configuração para B → C é me-
nor que para B → A. Portanto, temos 0 → B → C e podemos
então terminar somente com A. Assim, obtemos
heurística gananciosa: 0 → B → C → A
tempo total de preparação = 21 + 46 + 46 = 113
Observe que isso está longe do ótimo. Na verdade, nesse
exemplo, a heurística gananciosa, mesmo que intuitivamente
atraente, fornece a pior diretiva possível para o nosso mode-
lo. Embora seja verdade que, em geral, para modelos decisó-
rios seqüenciais, o algoritmo ganancioso não leve a uma so-
lução ótima, há de fato alguns modelos especiais com os
quais isso ocorre. (Veja, por exemplo, o problema de encon-
trar uma árvore de distribuição mínima no Capítulo 5.) Entre-
tanto, a regra é extremamente fácil de ser aplicada e estudos
sobre esse tipo de modelo mostraram que, estatisticamente,
para o tipo de modelo de seqüenciamento anterior, a regra
não é ruim. Por exemplo, um dos artigos [ver Gavett] mostrou
que a heurística freqüentemente produzirá melhores resulta-
dos do que poderiam ser obtidos por uma seleção puramente
aleatória de tarefas.
Uma heurística mais apropriada O mesmo artigo mostra
que a seguinte heurística modificada fornece melhores resul-
tados:
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-5

1. Transformar os dados originais na Figura 12.2 subtrain- estará sujeito à restrição de que algumas atividades não podem
do o tempo mínimo de preparação em cada coluna de to- iniciar até que outras tenham sido concluídas. Os recursos (di-
das as outras entradas nessa coluna. Esse processo pro- nheiro, mão-de-obra, maquinaria e assim por diante) necessá-
duz os dados na Figura 12.3. rios para completar as atividades individuais são freqüente-
2. Aplicar o algoritmo ganancioso a esse conjunto de dados mente considerados disponíveis em quaisquer quantidades re-
transformados. Fazendo isso, obtemos queridas por qualquer agenda particular. Na realidade, porém,
esses recursos talvez sejam limitados, caso em que a disponibi-
Melhor primeiro passo 0→A lidade de recursos torna-se outra restrição.
Melhor segundo passo A→C
Terceiro passo C→B Um exemplo simples
e, portanto, a heurística modificada produz a seqüência 0 Como exemplo simples, considere o modelo de programa-
→ A → C → B, que já se mostrou ser ótima para esse ção mostrado na Figura 12.4 e na Tabela 12.2. A Figura 12.4
modelo. mostra relacionamentos de precedência entre as várias ati-
Mesmo que essa heurística modificada nem sempre forneça a vidades. Isto é, mostra quais atividades devem ser concluí-
solução ótima, ela é fácil de implementar e, na prática, para gran- das antes que outras possam começar. Por exemplo, a ativi-
des modelos, ela freqüentemente produz resultados muito bons. dade VIII não pode começar até que a VII seja concluída e a
VII não pode começar até que a I seja concluída. A Tabela
12.2 mostra a duração de cada atividade (em semanas) e os
A B C
recursos requeridos (número de pessoas) para completar ca-
da atividade.
0 0 9 10 Ignorando, por enquanto, o “número necessário de pes-
soas”, esse problema é simples e, portanto, o tempo de conclu-
A 23 0
são possível no início pode ser facilmente calculado. É de nove
B 22 24 semanas.* A Figura 12.5 mostra uma agenda de atividades pro-
postas que alcançará esse tempo global de conclusão. Portanto,
C 19 0
a Figura 12.5 respeita os relacionamentos de precedência da
Figura 12.4 e, ao mesmo tempo, mostra quando cada atividade
Figura 12.3 Dados transformados.
deve iniciar e quanto tempo (em semanas) levará. Nessa agen-
da proposta, cada atividade inicia logo que possível. Você pode
ver que I, II e III iniciam imediatamente (no começo da sema-
12.3 Programação com recursos limitados na 1). As atividades IV, V, VII e IX iniciam no começo da se-
(suavização da carga de trabalho) mana 4. A atividade VI inicia no começo da semana 6 e a ativi-
Imagine uma seqüência de atividades a ser programada para dade VIII, no começo da semana 5.
concluir um projeto. Modelos básicos como PERT e CPM, dis-
cutidos no Capítulo 14, agendarão as atividades de tal maneira * Se já estudou o PERT, você pode ver que as atividades I, V e VI formam o
que a minimização do tempo total de conclusão de um projeto caminho crítico (consulte a Seção 14.3).

II
IV
2
1 V VI
2 4
I
Início Término
3 VII
VIII
1
2
IX
III
2
1

Figura 12.4 Relacionamentos de precedência.

CD12-6 Tomada de Decisão em Administração com Planilhas Eletrônicas

Tabela 12.2 Requisitos para cada atividade

IV
Tempo necessário
para conclusão Número de pessoas I V VI
VII
Atividade (semanas) para conclusão VIII
II
I 3 6
III IX
II 2 3
III 1 3
IV 1 3
1 2 3 4 5 6 7 8 9 Semanas
V 2 6
VI 4 5 Figura 12.5 Agenda de atividades proposta.
VII 1 3
VIII 2 4
IX 2 3
ciar no começo da semana 6 e o projeto não poderia ser con-
cluído até o final da nona semana. Portanto, a atividade V não
tem nenhuma folga. Ao contrário, a conclusão da atividade
VIII poderia ser adiada em três semanas sem adiar a conclu-
Agora, considere o número de pessoas por semana necessárias
são do projeto. A atividade VIII tem, assim, uma folga de três
para implementar a programação proposta. Os dados sobre o
semanas.
quadro de funcionários na Tabela 12.2 podem ser combinados
com a programação da Figura 12.5 para produzir o gráfico de Agora, utilizando esse conceito, é fornecida a seguinte
carga de trabalho do pessoal mostrado na Figura 12.6. Como heurística para ajudar a “reduzir os picos” e “elevar os vales” a
você pode ver, a programação proposta faz uma utilização irre- fim de fornecer uma carga de trabalho mais suave ao longo do
gular do pessoal, com os requisitos flutuando entre os extremos tempo:
de 15 pessoas na semana 4 e apenas 5 nas semanas 7, 8 e 9. Po- 1. Determine os recursos máximos requeridos na agenda
de ser vantajoso à gerência ter uma programação que empregue proposta, digamos m trabalhadores/semana.
recursos de maneira mais suave. Programas heurísticos são fre-
qüentemente aplicados para alcançar esse objetivo. 2. Em cada semana, imponha um novo limite superior de
m – 1 para utilização do recurso (lembre-se de que esta-
Heurística para suavizar a carga de trabalho mos tentando reduzir os picos um passo por vez) e, se
possível, revise a agenda proposta para satisfazer essa
A fim de discutir um desses tipos de heurística, vamos definir, restrição. A revisão é sistematicamente realizada como a
para cada atividade, sua folga (slack). seguir:
a. Começando com a primeira semana que viola a restri-
A folga é o período máximo de tempo que uma atividade pode ser ção, considere as atividades que contribuem para a
adiada sem adiar a conclusão do projeto global.
sobrecarga e mova para frente aquela com a maior
folga o menor tempo possível até que ela não contri-
Observe na Figura 12.5 que, se o tempo de conclusão da ati- bua com nenhum sobrecarregamento, mas sem adiar
vidade V fosse adiado, a atividade VI não poderia então ini- a conclusão de todo o projeto (o que significa que as

Número total
de pessoas
agendadas
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1

1 2 3 4 5 6 7 8 9 Semanas

Figura 12.6 Gráfico da carga de trabalho do pessoal para a agenda proposta.

 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-7

atividades com folga zero não podem ser movidas).

Semana 1 2 3 4 5 6 7 8 9
Se houver laços, prossiga para a atividade que menos
contribui com a sobrecarga (isto é, requer menos pes-
soas).
6 6 5
b. A heurística termina quando a sobrecarga atual não
3 I V VI
pode ser diminuída.
II
Para aplicar essa heurística, vamos retratar o plano proposto 3

como na Figura 12.7. Nessa figura, o rótulo da atividade (por III 3

exemplo, I, II, etc.) aparece abaixo de cada seta. Acima de ca- IV
3 4
da seta há o número de pessoas requerido a cada semana. Por
VII VIII
exemplo, o 6 acima da atividade I implica que seis pessoas 3
são necessárias para cada uma das três semanas necessárias IX
para completar a atividade I. Portanto, você pode examinar as Número total
de pessoal 12 9 6 12 13 12 5 5 5
colunas apropriadas para obter a utilização total de pessoal
em uma dada semana. Por exemplo, uma vez que a semana 2 Novo limite 12 12 12 12 12 12 12 12 12
é interseccionada pelas atividades I e II, a entrada na linha to-
tal de Pessoal, sob a coluna da semana 2, é 9. De maneira se- Figura 12.8 Segunda proposta.
melhante, a distância entre a ponta de cada seta descontínua
no final de uma série de trabalhos até o final da semana 9 in-
dica a folga para essa seta. Portanto, a atividade IV tem cinco Semana 1 2 3 4 5 6 7 8 9
semanas de folga, enquanto a atividade VIII tem três semanas
de folga e assim por diante. Para a atividade VII, que é uma
seta contínua, calculamos a folga fazendo uma observação de
6 6 5
que a VII é seguida somente pela VIII. Uma vez que a folga
3 I V VI
na VIII é três semanas, a folga na atividade VII também deve
II
ser três semanas. Observe também que as atividades I, V e VI 3
têm folga zero, uma vez que elas não podem prosseguir sem III 3
aumentar o tempo total de conclusão de nove semanas. Ao
IV
aplicar a heurística anterior, avançamos somente para as ati- 3 4
vidades com folga positiva e, conseqüentemente, as ativida- VII VIII
3
des I, V e VI não são consideradas.
IX
Número total
de pessoal 12 9 6 9 10 12 8 8 5

Novo limite 11 11 11 11 11 11 11 11 11

Semana 1 2 3 4 5 6 7 8 9
Figura 12.9 Terceira proposta.

6 6 5 Semana 1 2 3 4 5 6 7 8 9

3 I V VI

II
3
6 6 5
III I V VI
3 3
IV II
3 4 3
VII 3 VIII III 3 3

IX IV
3 4
Número total
de pessoal 12 9 6 15 13 9 5 5 5 VII VIII
3
Novo limite 14 14 14 14 14 14 14 14 14
IX
Número total
Figura 12.7 Primeira proposta. de pessoal 9 9 9 9 10 9 11 8 5

Novo limite 10 10 10 10 10 10 10 10 10

Figura 12.10 Quarta proposta.

CD12-8 Tomada de Decisão em Administração com Planilhas Eletrônicas

Aplicando a heurística Dadas essas observações, agora
podemos empregar a heurística. Para a primeira proposta
(veja a Figura 12.7), o recurso máximo requerido é 15 no pe-
ríodo 4.
Portanto, de acordo com o passo 2, impomos um novo li-
mite superior de 14 em cada semana. Esse limite é violado so-
mente na semana 4. As atividades “móveis” que contribuem
com a sobrecarga são IV, VII e IX (uma vez que a V não preci-
sa ser considerada). Dessas, aquela com a maior folga é a IV.
Mover IV para frente um período reduz a utilização na semana
4 em três unidades para 12 pessoas, mas cria uma utilização de
três unidades adicionais na semana 5, resultando em um total
de 16 na semana 5, o que sobrecarrega a semana 5 (isto é, vio-
la o limite superior imposto de 14). Conseqüentemente, ela de-
ve ser movida para frente mais ainda. Você pode ver que, avan-
çando a atividade IV em um total de duas semanas (na semana
6 como ilustrado na Figura 12.7), nenhum limite superior será
violado. Isso resulta na segunda proposta, como mostrado na
Figura 12.8.
Nessa figura, o limite superior de 13 deve ser reduzido a
12. A única sobrecarga é causada pelas atividades VIII e IX na
semana 5. A atividade IX tem a maior folga e deve avançar três
semanas para começar na semana 7, como mostrado. Isso re-
sulta na terceira proposta apresentada na Figura 12.9. Aqui, o
limite superior de 12 deve ser reduzido para 11. Há violações
nas semanas 1 e 6. De acordo com o algoritmo, primeiro move-
mos III para frente duas semanas e então IV, uma semana. Con-
tinuando com a heurística, obtemos a quarta e a quinta propos-
tas mostradas nas Figuras 12.10 e 12.11.
Término da heurística O algoritmo é incapaz de melhorar
além da quinta proposta. Para verificar isso, observe que a so-
brecarga na semana 5 pode ser reduzida somente avançando-
se a atividade VIII. Contudo, avançar VIII em uma, duas ou
três semanas aumentaria o número total de pessoal nas sema-
nas 7 e 8, ou 8 e 9, para 12. O passo 2b da heurística é, portan-
to, satisfeito e por isso essa agenda é a solução heurística. Es-
sa programação final suavizou consideravelmente a utilização
de pessoal em relação àquela mostrada na Figura 12.6, pelo
fato de que a utilização máxima agora é 10 (na semana 5) e a
mínima é 8.
Para esse modelo, uma pessoa poderia definir uma solução
ótima como uma agenda que minimiza a utilização máxima de
pessoal. Uma programação ótima, de acordo com esse critério
minimax, é mostrada na Figura 12.12. Para essa programação,
a utilização máxima é 9. Embora o algoritmo heurístico não te-
nha levado ao ótimo (no sentido desse minimax – e deve ser
admitido que a agenda na Figura 12.12 é mais suave que aque-
la na Figura 12.11), nossa abordagem heurística foi muito boa.
Em grandes modelos (isto é, com muitas atividades), não seria
possível gerar facilmente a agenda minimax ótima. É por essa
razão que uma heurística é freqüentemente empregada para
suavizar os requisitos.
Esta seção e a anterior ofereceram apenas uma introdução
muito breve ao importante tópico dos algoritmos heurísticos.
Um outro exemplo, atribuir instalações a diferentes locais
dentro de uma empresa ou prédio (às vezes chamado de mode-
lo de “leiaute”), é discutido nos problemas 12-2, 12-3 e 12-4
no final deste capítulo.
12.4 Múltiplos objetivos
Em muitas aplicações, o planejador tem mais de um objetivo.
Todos esses objetivos diferentes podem ter igual importância
ou, no mínimo, pode ser difícil ao planejador comparar a im-
portância de um objetivo com a de um outro. A presença de
múltiplos objetivos é freqüentemente referida como o proble-
ma de “combinar alhos com bugalhos”. Considere, por exem-
plo, o planejador corporativo cujos objetivos em longo prazo
são: (1) maximizar o lucro líquido, (2) maximizar a fatia de
mercado no final do período de planejamento e (3) maximizar
o capital físico existente no final do período de planejamento.

Semana 1 2 3 4 5 6 7 8 9

Semana 1 2 3 4 5 6 7 8 9

6 6 5

3 I V VI
6 6 5
II I V VI
3 3
III 3 II
3
IV III 3
3 4
VII VIII IV
3 4
3
VII VIII
IX 3
Número total
de pessoal 9 9 9 9 10 9 8 8 8 IX
Número total
Novo limite de pessoal 9 9 9 9 9 9 9 8 8

Figura 12.11 Quinta proposta. Figura 12.12 Agenda minimax ótima.

 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
Esses objetivos não são proporcionais, o que significa que eles
não podem ser combinados ou comparados diretamente. Tam-
bém está claro que os objetivos são conflitantes. Isto é, há
compensações no sentido de que sacrificar os requisitos em
qualquer um dos objetivos tenderá a produzir melhores retor-
nos nos outros. Por exemplo, gastar menos dólares em marke-
ting pode reduzir a fatia de mercado e assim evitar que a em-
presa alcance seu segundo objetivo. Entretanto, esses dólares
podem ser gastos em nova maquinaria em um esforço de au-
mentar o capital físico e satisfazer o terceiro objetivo.
O tratamento de múltiplos objetivos é uma área nova, mas
importante na administração. Até agora, os métodos analíticos
para tratar modelos com múltiplos objetivos não foram aplica-
dos com tanta freqüência na prática como alguns outros mode-
los como programação linear, previsão, controle de inventário
e simulação Monte Carlo. Entretanto, os conceitos envolvidos
são importantes e alguns líderes na comunidade da ciência de
gerenciamento percebem que esses conceitos vão se tornar
mais importantes no futuro próximo. Descobriu-se que esses
modelos são especialmente úteis para resolução de problemas
no setor público.
A teoria na prática
Planejamento das instalações na University of Missouri
No ambiente acadêmico, o impulso à excelência do ensino, à pes-
quisa e ao serviço de extensão apresenta desafios peculiares ao pla-
nejador de instalações que deve tentar alocar recursos limitados pa-
ra alcançar uma compensação otimizada entre os objetivos fre-
qüentemente conflitantes de uma universidade. O departamento de
engenharia na University of Missouri-Rolla se beneficiou, em
1987, de uma expansão importante das suas instalações físicas. Es-
se processo incluiu 468 metros quadrados de área livre a ser trans-
formada em um laboratório para fabricação integrada de computa-
dores (computer integrated manufacturing – CIM) para ensino,
pesquisa e extensão. A instalação foi concebida para estimular o
interesse no ensino e pesquisa de sistemas de produção avançados
e esperava-se que se transformasse em um centro para excelência
técnica do setor industrial desse estado.
A universidade via a instalação do novo laboratório CIM co-
mo um amplo campus universitário a ser utilizado por todos os de-
partamentos da faculdade de engenharia e por vários centros de
pesquisa dentro da universidade. Isso resultou em intenso debate e
discussão sobre o melhor leiaute da instalação do novo laboratório.
Uma força tarefa foi designada para resolver o conflito. Depois de
identificar as propostas alternativas para o leiaute, identificou-se
que 15 seções estavam no laboratório CIM (por exemplo, área de
simulação física, AutoCAD, robótica, etc). A área ideal para cada
seção foi estimada. A soma dos requisitos ideais foi de 557 metros
quadrados, quase 90 metros quadrados a mais do que havia dispo-
nível.
A equipe teve de encontrar uma maneira sistemática de alocar
o espaço real disponível às seções desejadas que fosse consistente
com a missão global da universidade. Cinco objetivos foram esta-
belecidos (por exemplo, desenvolver novos cursos que utilizassem
CD12-9
Foram desenvolvidas várias abordagens para os modelos
com múltiplos objetivos (também chamados de tomada de de-
cisão com múltiplos critérios). São os seguintes: utilização da
teoria utilitária de múltiplos atributos, pesquisa de soluções
ótimas de Pareto através de programação linear com múlti-
plos critérios, processo de hierarquia analítica (analytic hie-
rarchy process – AHP) e a programação de objetivos. Nossa
discussão está limitada às duas últimas abordagens: AHP e
programação de objetivos. O AHP foi desenvolvido por Tho-
mas Saaty [ver Saaty] e é uma abordagem relativamente nova
para ajudar os gestores a escolher entre muitas alternativas de
decisão com base em múltiplos critérios. A programação de
objetivos (goal programming – GP) foi um conceito introdu-
zido por A. Charnes e W.W. Cooper [ver Charnes e Coopper]
que, de alguma maneira, pode ser pensado como uma aborda-
gem heurística para o modelo com múltiplos objetivos. A GP
é uma abordagem poderosa baseada no desenvolvimento da
programação linear apresentado nos Capítulos 3 e 4. As duas
áreas agora passam por um interesse e desenvolvimento con-
siderável e são tópicos potencialmente importantes aos futu-
ros gerentes.
o laboratório, aumentar a consciência do ramo industrial quanto
aos conceitos do CIM, etc.) e o processo de hierarquia analítica
(AHP) foi utilizado para determinar as prioridades dos objetivos.
Foi formulado um questionário para que a equipe extraísse as prio-
ridades relativas. A análise preliminar das respostas revelou várias
inconsistências quanto à comparação subjetiva dos pares de atribu-
tos. Os respondentes tiveram a oportunidade de revisar e ajustar
suas respostas, o que resultou em uma consistência maior nas com-
parações subjetivas.
Depois que as prioridades foram estabelecidas, foi utilizado
um modelo de programação de objetivo linear para determinar a
alocação de espaço para cada uma das 15 áreas. Nove dessas áreas
obtiveram alocação de espaço por um fator menor que 1,0, o que
sugeria uma redução das áreas ideais originalmente alocadas.
Quatro áreas foram reduzidas significativamente. O comitê utili-
zou a alocação do espaço como um guia para desenvolver o leiau-
te inicial do laboratório. A análise de sensibilidade também foi
utilizada para determinar o efeito da alteração das prioridades e
descobriu-se que o modelo era relativamente robusto em resposta
às classificações de prioridade.
Descobriu-se também que o AHP era uma metodologia eficaz
para obter o consenso do grupo em um ambiente altamente políti-
co e de uma maneira oportuna para um problema de planejamento
institucional relativamente complexo. Como essa metodologia de
planejamento sistemático foi adotada, a faculdade de engenharia
prontamente aceitou as propostas do departamento para o leiaute
do laboratório CIM e reconheceu que o desenvolvimento futuro do
laboratório deveria ser entregue ao departamento de engenharia. O
laboratório CIM cumpriu habilmente seus objetivos de ensino, pes-
quisa e extensão. (Ver Benjamin et. al.)
CD12-10 Tomada de Decisão em Administração com Planilhas Eletrônicas
Programação de metas
A programação de metas geralmente é aplicada aos modelos
lineares; é uma extensão da LP que permite ao moderador se
aproximar o máximo possível da satisfação de vários objetivos
e restrições. Ela permite que a pessoa responsável pela tomada
de decisão, pelo menos na perspectiva heurística, incorpore seu
sistema de preferências ao lidar com múltiplas metas conflitan-
tes. Ela às vezes é considerada uma tentativa de colocar em um
contexto de programação matemática o conceito de satisfação.
Esse termo foi cunhado por Herbert Simon, vencedor do prê-
mio Nobel em economia, para transmitir a idéia de que as pes-
soas freqüentemente não buscam soluções otimizadas, mas,
antes, buscam soluções “suficientemente boas” ou “suficiente-
mente próximas” ou, em outras palavras, o desejo de maximi-
zar várias metas simultaneamente para níveis pelo menos satis-
fatórios. Ilustraremos o método de programação de metas com
vários exemplos.
Suponha que tenhamos um modelo de projeto para um
programa educacional com variáveis de decisão x1 e x2, onde x1
são as horas de trabalho em sala de aula e x2 são as horas de tra-
balho no laboratório. Assuma que temos a seguinte restrição
quanto ao número total de horas do programa:
x1 + x2  100 (total de horas do programa)
Dois tipos de restrições Na abordagem da programação de
metas, há dois tipos de restrições: (1) restrições de sistema (de-
nominadas restrições fortes) que não podem ser violadas e (2)
restrições de objetivo (denominadas restrições fracas) que po-
dem ser violadas se necessário. A restrição anterior quanto ao
número de horas total do programa é um exemplo de uma res-
trição de sistema.
Agora, no programa que estamos projetando, suponha que
cada hora de trabalho em sala de aula envolva 12 minutos para
discussão em um pequeno grupo e 19 minutos para resolução in-
dividual de problemas, enquanto cada hora de trabalho no labora-
tório envolva 29 minutos de discussão em um pequeno grupo e
11 minutos de resolução individual de problemas. Observe que o
tempo total do programa é no máximo 6 mil minutos (100 h × 60
min/h). Os projetistas têm os dois objetivos a seguir: cada aluno
deve investir o mais próximo possível de um quarto do tempo má-
ximo do programa trabalhando em pequenos grupos e um terço
do tempo na resolução de problemas. Essas condições são
12x1 + 29x2 1500 (experiência em pequenos grupos)
19x1 + 11x2  2000 (resolução individual de problemas)
onde o símbolo  significa que desejamos que o lado esquerdo
esteja “o mais próximo possível” de RHS. Se fosse possível en-
contrar uma diretiva que satisfizesse de maneira exata os obje-
tivos de se ter um grupo pequeno e de se realizar a solução de
problemas (isto é, alcançar precisamente os dois lados direi-
tos), sem violar a restrição de sistema quanto ao número total
de horas do programa, essa diretiva então resolveria o modelo.
Uma análise geométrica simples mostrará que não existe tal
possibilidade. Obviamente, a fim de satisfazer a restrição de
sistema, será violada pelo menos uma das duas metas.
Para implementar a abordagem da programação de metas,
a condição “discussão em um pequeno grupo” é reescrita como
a restrição do objetivo
12x1 + 29x2 + u1 – v1 = 1500 (u1  0, v1  0)
onde u1 = a quantidade que falta para a experiência total de
pequenos grupos alcançar 1500
v1 = a quantidade na qual a experiência total de
pequenos grupos excede 1500
Variáveis de desvio As variáveis u1 e v1 são chamadas va-
riáveis de desvio, uma vez que medem a quantidade com que
o valor produzido pela solução se desvia da meta. Observamos
que, por definição, queremos que u1 ou v1 (ou ambas) seja zero
porque é impossível simultaneamente exceder e não alcançar
1500. Para tornar 12x1 + 29x2 o mais próximo possível de 1500,
basta tornar a soma de u1 + v1 pequena.
Da mesma forma, a condição da solução de problemas in-
dividuais é escrita como a restrição da meta
19x1 + 11x2 + u2 – v2 = 2000 (u2  0, v2  0)
e, nesse caso, queremos que a soma das duas variáveis de des-
vio u2 + v2 seja pequena. Nosso modelo completo (ilustrativo)
agora é escrito como a seguir:
Min u1 + v1 + u2 + v2
s.a. x1 + x2  100 (total de horas do programa)
12x1 + 29x2 + u1 – v1 = 1500 (discussão em um pequeno grupo)
19x1 + 11x2 + u2 – v2 = 2000 (resolução de problemas)
x1, x2, u1, v1, u2, v2  0
Observação: tanto u1 como v1 não podem ser  0.
Esse é um modelo PL comum e agora pode ser facilmen-
te resolvido no Excel. As variáveis de decisão otimizadas sa-
tisfarão a restrição de sistema (número total de horas do pro-
grama). Além disso, o Solver (por razões técnicas que não dis-
cutiremos) garantirá que u1 ou v1 (ou ambas) será zero, e assim
essas variáveis satisfazem automaticamente essa condição de-
sejada. A mesma afirmação é verdadeira para u2 e v2 e, em
geral, para qualquer par de variáveis de desvio.
Observe que a função objetivo é a soma das variáveis de
desvio. Essa escolha de uma função objetivo indica que não
temos preferência entre os vários desvios nas metas declara-
das. Por exemplo, qualquer uma das três decisões a seguir é
aceitável: (1) uma decisão que erre para mais a meta da expe-
riência em grupo por 5 minutos e acerte a meta da solução de
problemas precisamente, (2) uma decisão que acerte a meta
da experiência em grupo precisamente e erre para menos a
meta da solução de problemas por 5 minutos e (3) uma deci-
são que erre para menos cada meta por 2,5 minutos. Em
outras palavras, não temos nenhuma preferência entre as três
soluções:
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-11

(1) u1 = 0 (2) u1 = 0 (3) u1 = 2,5 Quando os termos u1 e v1 são incluídos na função objetivo, o
v1 = 5 v1 = 0 v1 = 0 código PL tentará minimizá-los. Observamos que, quando, na
u2 = 0 u2 = 5 u2 = 2,5 condição ótima, u1* = 0 e v1* = 0 (seus valores mínimos possí-
v2 = 0 v2 = 0 v2 = 0 veis), o número total de minutos da resolução de problemas
Não devemos ter nenhuma preferência porque cada uma des- (19x1 + 11x2) está dentro do intervalo desejado (isto é, 1800 
sas três decisões resulta no mesmo valor (isto é, 5) para a fun- 19x1 + 11x2  2100). Caso contrário, veremos que, na condi-
ção objetivo. ção ótima, uma das duas variáveis será positiva e a outra, zero,
o que significa que somente um dos lados da desigualdade po-
Ponderando as variáveis de desvio Essa falta de preferên- de ser satisfeito.
cia de uma solução certamente não se aplicaria a todos os mo-
delos de programação de metas. Diferenças nas casas deci- Resumo sobre a utilização das restrições de metas Nes-
mais poderiam produzir uma preferência entre as variáveis de se ponto, pode ser útil resumir as várias maneiras como as
desvio. Suponha, por exemplo, que a restrição da solução in- restrições de metas podem ser formuladas e empregadas. Ca-
dividual de problemas fosse escrita em horas; isto é, da restrição de objetivo consiste em um lado esquerdo, diga-
mos, gi(x1,…, xn) e em um lado direito, bi. As restrições de
19 11 2000 meta são escritas utilizando-se variáveis de desvio não-nega-
x + x + u2 – y2 =
60 1 60 2 60
tivas ui, vi. Na condição ótima, pelo menos um dos pares ui, vi
É difícil acreditar que os projetistas do programa não iam pre- sempre será zero. A variável ui representa erro para menos; vi
ferir um excesso de 1 minuto na experiência em pequenos gru- representa erro para mais. Sempre que ui é utilizada, ela é
pos (v1 = 1) à falta de 1 hora na resolução individual de proble- adicionada a gi(x1,…, xn). Sempre que vi é utilizada, ela é sub-
mas (u2 = 1). traída de gi(x1,…, xn). Somente as variáveis de desvio (ou um
Uma maneira de expressar uma preferência entre as várias subconjunto das variáveis de desvio) aparecem na função ob-
metas é atribuir coeficientes diferentes às variáveis de desvio jetivo, e a meta é sempre minimizar. As variáveis de decisão
na função objetivo. No exemplo do planejamento do progra- xi, i = 1,…, n não aparecem na meta. Discutimos quatro tipos
ma, uma pessoa poderia selecionar de metas:
Min 10u1 + 2v1 + 20u2 + v2 1. Alvo. Tornar gi(x1,…, xn) o mais próximo possível de bi.
como a função objetivo. Uma vez que v2 (erro para mais na re- Para fazer isso, escrevemos a restrição de meta como
solução de problemas) tem o menor coeficiente, os projetistas gi(x1,…, xn) + ui – vi = bi (ui  0, vi  0)
do programa iam preferir ter v2 positivo a qualquer uma das
e no objetivo minimizamos ui + vi. Na condição ótima,
outras variáveis de desvio (v2 positivo é a menos penalizada).
pelo menos uma das variáveis ui, vi será zero.
De fato, com essa função objetivo é melhor ter nove minutos
em excesso para o objetivo da solução de problemas que errar 2. Minimizar o erro para menos. Para fazer isso, podemos
para menos por 1 minuto o objetivo da experiência em peque- escrever
nos grupos. Para verificar isso, observe que, para qualquer so- gi(x1,…, xn) + ui – vi = bi (ui  0, vi  0)
lução em que u1  1, diminuir u1 em 1 e aumentar v2 em 9 re-
sultaria em um valor menor para a função objetivo. e no objetivo minimizamos ui, o erro para menos. Uma
vez que vi não aparece na função objetivo e está somente
Restrições do intervalo da meta Outro tipo de restrição da nessa restrição, conseqüentemente, a restrição pode ser
meta é chamado de restrição do intervalo do objetivo. Ela res- escrita de maneira equivalente como
tringe o objetivo a uma extensão ou intervalo em vez de um
gi(x1,…, xn) + ui  bi (ui  0)
valor numérico específico. Suponha, por exemplo, que no
exemplo anterior os projetistas fossem indiferentes entre pro- Se o ui ótimo for positivo, essa restrição estará ativa, do
gramas para os quais contrário u*i poderia ser menor. Esse resultado também é
1800  [minutos de resolução individual de problemas]  2100
evidente na forma de igualdade da restrição. Isto é, se
u*> 0 então, como v1* deve ser igual a zero, deve ser ver-
i.e., 1800  19x1 + 11x2  2100 i
dadeiro que gi(x1,…, xn) + u*i = bi.
Nessa situação, a meta do intervalo é capturada com duas res-
3. Minimizar o erro para mais. Para fazer isso, podemos
trições de objetivo:
escrever
19x1 + 11x2 – v1  2100 (v1 = 0)
gi(x1,…, xn) + ui – vi = bi (ui  0, vi  0)
19x1 + 11x2 + u1  1800 (u1 = 0)
CD12-12 Tomada de Decisão em Administração com Planilhas Eletrônicas
e no objetivo minimizamos vi, o erro para mais. Como
nesse caso ui não aparece na função objetivo, a restrição
pode ser escrita de maneira equivalente a
gi(x1,…, xn) – vi  bi (vi  0)
Se o vi ótimo for positivo, essa restrição estará ativa. O
argumento é análogo ao do item 2 anterior.
4. Restrição do intervalo da meta. Nessa instância, o obje-
tivo é chegar o mais próximo possível de satisfazer
ai  gi (x1,…, xn)  bi
A fim de escrever isso como uma meta, primeiro “esten-
demos” o intervalo escrevendo
ai – ui  gi(x1,…, xn)  bi + vi (ui  0, vi  0)
o que é equivalente às duas restrições
gi(xi,…, xn) + ui  ai gi(xi,…, xn) + ui – v̂i = ai (ui  0, v̂i  0)
gi(xi,…, xn) – vi  bi gi(xi,…, xn) + ûi – vi = bi (ûi  0, vi  0)
No caso de uma restrição do intervalo da meta minimizamos ui
+ vi na função objetivo. As variáveis v̂i e ûi são meramente ex-
cessos e folgas, respectivamente (não variáveis de desvio). Co-
mo anteriormente, na condição ótima, pelo menos uma das va-
riáveis de desvio ui, vi será zero. Ao lidar com duas restrições
que representam o intervalo de uma meta, a restrição com a va-
riável de desvio não-zero (se houver uma) estará ativa.
Em geral, restrições de meta são mais comumente expres-
sas na forma de igualdade apropriada utilizando variáveis de
desvio, excesso e folga conforme requerido. As formas de de-
sigualdade equivalentes que exibimos permitirão, para mode-
los nas duas variáveis de decisão, obter uma idéia geométrica
sobre o procedimento da solução.
Prioridades absolutas
Em alguns casos, os gerentes não desejam expressar suas pre-
ferências entre as várias metas em termos de variáveis de des-
vio ponderadas, pois o processo de atribuição de ponderações
talvez pareça muito arbitrário ou subjetivo. Nesses casos, tal-
vez seja mais aceitável declarar preferências em termos de
prioridades absolutas (em oposição a ponderações) para um
conjunto de metas. Essa abordagem, que exige que as metas se-
jam satisfeitas em uma ordem específica, é ilustrada no exem-
plo a seguir. Com ponderações, o modelo de programação de
metas é resolvido somente uma vez. Com prioridades, o mode-
lo de programação de metas é resolvido em etapas como uma
seqüência de modelos.
Modelo de seleção de mídia da Swenson: um minicaso
Tom Swenson, um sócio sênior na J. R. Swenson, uma agên-
cia de publicidade do seu pai, acabou de finalizar um acordo
com um fabricante farmacêutico para criar uma campanha no
rádio e na televisão para lançar um novo produto, o Mylonal.
Os gastos totais da campanha não podem exceder US$
120.000. O cliente está interessado em alcançar públicos di-
ferentes com essa campanha. Para determinar como uma
campanha em particular atende às necessidades desse cliente,
a agência estima o impacto dos anúncios sobre o público-al-
vo. O impacto é medido em exposições estimadas, um termo
que significa “número de pessoas atingidas por mês”. O rádio
e a televisão, as duas mídias que a agência pensa utilizar, não
são igualmente eficientes para atingir todos os públicos. Os
dados relevantes à campanha do Mylonal são mostrados na
Tabela 12.3.
Tabela 12.3 Exposições por US$ 1000 de gastos
TV Rádio
Total 14.000 6000
Renda mais alta 1200 1200
Depois de longas discussões com o cliente, Tom aceita as
seguintes metas para essa campanha. Tom acredita que a or-
dem em que ele listou suas metas reflete a prioridade absolu-
ta entre eles.
1. Ele espera que o total de exposições seja de pelo me-
nos 840.000.
2. A fim de manter um contato eficaz com a estação de
rádio líder, ele espera gastar não mais de US$ 90.000
em anúncios publicitários na TV.
3. Ele acredita que a campanha deve atingir pelo menos
168.000 exposições para pessoas com renda mais alta.
4. Por fim, se todos os outros objetivos forem satisfeitos,
ele gostaria de se aproximar o máximo possível de
maximizar o número total de exposições. Ele observa
que, se gastar o total dos US$ 120.000 em anúncios
publicitários na TV, ele obteria 1.680.000 exposições
(120 * 14.000) e esse é o número máximo possível.
Obviamente, esse é um modelo com diversas restrições. Mas
não é verdadeiramente um modelo típico de programação mate-
mática, uma vez que Tom tem várias metas. Contudo, ele perce-
be que uma abordagem de programação matemática o ajudará a
entender e resolver o modelo. Assim, ele prossegue da maneira
usual. Para modelar o problema, ele introduz uma notação
x1 = dólares gastos em TV (em milhares)
x1 = dólares gastos em rádio (em milhares)
Uma vez que seu objetivo com a mais alta prioridade é maximi-
zar o número de exposições, ele percebe que uma maneira ra-
zoável de modelar o problema é utilizar exposições totais como
a função objetivo e tratar os outros objetivos como restrições.
Um modelo sem solução A formulação e a solução da pla-
nilha desse modelo (“caso básico” de SWENSON.XLS) são
mostrados na Figura 12.13. Cada restrição e a função objetivo
são rotuladas para indicar o propósito a que elas servem. A cai-
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-13

=SOMAPRODUTO(C3:D3,C7:D7)

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio

Total de Exposições por US$ 1000 gastos em

TV Rádio

Exposições Superiores de Renda por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Despesas TV
Exposições Superiores Renda

Célula Fórmula Copiar Para

A2 = SOMAPRODUTO(C3:D3,C7:D7) —
B13 = SOMA(C3:D3) —
B14 = C3 —
B15 = SOMAPRODUTO(C3:D3,C11:D11) —

Figura 12.13 Maximizando o número total de exposições.

xa de diálogo Solver Results (Resultados do Solver) informa a Modelo de programação por meta de Swenson A fim de
Tom que o modelo não possui solução. Obviamente, como não configurar o modelo como um programa por meta, Tom obser-
possui solução, não há nenhuma maneira de satisfazer simulta- va que a primeira meta, se violada, será subestimada. A segun-
neamente as três metas (gastos totais, gastos em TV e exposi- da meta, se violada, será superestimada e assim por diante. Ao
ções para pessoas com renda mais alta) que Tom declarou co- empregar essa racionalização, ele reafirma suas metas, em
mo restrições. Uma vez que há somente duas variáveis de deci- prioridade decrescente, como
são nesse modelo, a abordagem gráfica pode ser utilizada para
1. Minimizar a erro para menos do total de 840.000 exposi-
analisar as formulações iniciais do Tom. A análise da Figura
ções (isto é, Min u1, sujeito à condição 14.000x1 + 6000x2
12.14 mostra claramente que não há nenhum ponto que satisfa-
+ u1  840.000; u1  0).
ça a primeira (gastos totais) e a terceira (exposições para pes-
soas com renda mais alta) restrições simultaneamente. Nesse
ponto, Tom poderia tentar abordar o modelo de uma maneira
X2
um pouco diferente. Talvez ele modifique uma ou mais de suas
140
metas, ou talvez a função objetivo, e inicie novamente. Contu-
do, em geral, essa não é uma abordagem sistemática satisfató- 120
ria. Em modelos com muitas variáveis de decisão e várias me-
tas conflitantes, reestruturar o modelo e criar um novo modelo
que tenha uma solução praticável poderia ser difícil. Mais im- X 1 = 90
portante, nesse processo de reestruturação, a essência do mo-
X 1 + X 2 = 120
delo real poderia ser perdida.
Lembre-se de que Tom não está indiferente quanto às vá- 1200X 1 + 1200X 2 = 168.000

rias metas; de fato, ele declarou uma prioridade absoluta entre 


eles. A programação de metas com prioridades absolutas é pro-

jetada para tratar exatamente o tipo do processo de decisão que
Tom Swenson quer. Trata-se de um processo seqüencial em 120 140 X1
que as metas são adicionadas uma por vez (na ordem descren- Figura 12.14 Maximizando o número total de exposições: uma
te de prioridade) a um modelo PL. abordagem gráfica.
CD12-14 Tomada de Decisão em Administração com Planilhas Eletrônicas
2. Minimizar os gastos acima de US$ 90.000 em TV (isto
é, Min v2, sujeito à condição x1 – v2  90; v2  0).
3. Minimizar o erro para menos das 168.000 exposições pa-
ra pessoas com renda mais alta (isto é, Min u3, sujeito à
condição 1200x1 + 1200x2 + u3  168.000; u3  0).
4. Minimizar o erro para menos das 1.680.000 exposições
totais – o máximo possível (isto é, Min u4, onde 14.000x1
+ 6000x2 + u4  1.680.000; u4  0).
Observe que as prioridades de Tom agora estão claramente
identificadas em termos da minimização do erro para menos
(isto é, minimizar uma ui) ou da maximização do erro para
mais (isto é, minimizar uma vi). Suas metas, como declarada
anteriormente, foram expressas como desigualdades de acor-
do com nossa discussão prévia. Esse método facilitará uma
análise gráfica.
Dado que ele formulou corretamente suas prioridades,
Tom deve distinguir entre (1) restrições de sistema (todas as
restrições que não podem ser violadas) e (2) restrições de obje-
tivo. Em seu modelo, a única restrição de sistema é que os gas-
tos totais não serão maiores que US$ 120.000. Assim, (uma
vez que as casas decimais de x1 e x2 são milhares) temos
x1 + x2 ≤ 120
Na notação da programação de metas, o modelo de Tom agora
pode ser expresso como na Figura 12.15.
Observe que a função objetivo consiste somente em variá-
veis de desvio que tem a forma Min. Como já afirmado, todas
as formulações da programação por metas são modelos de mi-
nimização, uma vez que o objetivo deve se aproximar o máxi-
mo possível da meta definida. Os termos servem meramente
para indicar prioridades, com P1 representando a prioridade
mais alta e assim por diante. Assim,
1. Encontrar o conjunto de variáveis de decisão que satis-
faça a restrição (S) de sistema e que também forneça o
possível valor Min para u1 sujeito à restrição (1) e x1, x2,
u1  0. Chame esse conjunto de decisões FR I (isto é,
“feasible region I” – região viável I). Considerando so-
mente a meta mais alta, todos os pontos na FR I são
Min P1u1 + P2v2 + P3u 3 + P4u4
s.a. x1 + x2
14.000 x1 + 6000 x2 + u1
x1 – v2
1200 x1 + 1200 x2 + u3
14.000 x1 + 6000 x2 + u4
x1, x2, u1, v2, u3, u4
Figura 12.15 Formulação do programa de metas.
“otimizados” (isto é, o melhor que Tom pode fazer) e
(novamente, considerando somente a meta mais alta)
ele é indiferente com relação a quais desses pontos ele
seleciona.
2. Encontrar o subconjunto dos pontos na FR I que forne-
ça o valor Min para v2, sujeito à restrição (2) e v2  0.
Chame esse subconjunto de FR II. Considerando so-
mente a classificação ordinal das duas metas com prio-
ridade mais alta, todos os pontos em FR II são “ótimos”
e, em termos dessas duas metas com prioridade mais al-
ta, Tom é indiferente com relação a quais desses pontos
ele seleciona.
3. FR III é o subconjunto de pontos na FR II que minimi-
zam u3, sujeito à restrição (3) e u3  0.
4. FR IV é o subconjunto de pontos em FR III que minimiza
u4, sujeito à restrição (4) e u4  0. Qualquer ponto em FR
IV é uma solução ótima para modelo global de Tom.
Análise gráfica e implementação de planilha para busca da
solução Uma vez que o modelo de marketing de Tom tem
somente duas variáveis de decisão, a solução anterior pode ser
alcançado com uma análise gráfica. Em modelos do mundo
real, a planilha com sua ferramenta Solver poderia ser utiliza-
da. Na próxima seção, mostraremos como isso pode ser feito
com a PL.
1. Na Figura 12.16, tanto a saída da planilha (nova planilha
chamada “Primeira Meta” na mesma pasta de trabalho
SWENSON.XLS) como a figura revela que o Min de u1
s.a. (S), (1) e x1, x2, u1= 0 é u*1  0. Embora o Solver re-
torne valores otimizados para x*1 e x*, 2 esses valores não
são importantes. A informação importante é que u*1 = 0,
que nos informa que a primeira meta pode ser completa-
mente atingida. Otimizações alternativas para o modelo
atual são fornecidas por todos os valores de (x1, x2) que
satisfaçam as condições
 x1 + x2 ≤ 120

FR I 14.000 x1 + 6000 x2 ≥ 840.000
x , x ≥ 0
 1 2
≤ 120 (S)
≥ 840.000 (1)
≤ 90 (2)
≥ 168,000 (3)
≥ 1.680.000 (4)
≥ 0
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-15

Nesse ponto, a primeira meta de Tom é atingida (u1* = 0),
de modo que, em termos da primeira meta apenas, essas
decisões são igualmente preferíveis. Assim, FR I é a área
sombreada ABC na Figura 12.16.
A linha rotulada (1) representa a meta 1. A seta mar-
cada u1 = 0 indica que, em todos os pontos à direita da li-
nha (1), a meta é alcançada.
2. Na formulação da planilha na Figura 12.17 (nova plani-
lha chamada “Meta 2”), inserimos as restrições que defi-
nem a FR I (restrições nas células B10:D11), junto com
a nova restrição da meta (2) (mostrada nas células
B12:D12) e vemos que
Min v2
s.a. x em FR I, meta (2), e v2  0

=E3+SOMAPRODUTO(C3:D3,C7:D7)

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio Variável Desvio (u1)

Total de Exposições por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Meta 1

Célula Fórmula Copiar Para

A2 = E3 —
B10 = SOMA(C3:D3) —
B11 = E3 + SOMAPRODUTO(C3:D3,C7:D7) —

X2

140

(1)
120
B

FR I

(S)
u1 = 0

A C
60 120 X1

Figura 12.16 Primeira meta.

CD12-16 Tomada de Decisão em Administração com Planilhas Eletrônicas

é v2* = 0. Portanto, a FR II é definida por que é a área sombreada ABDE, claramente um subconjunto
de FR I. Como esperado, o tamanho da região praticável tor-
 x1 + x2 ≤ 120 nou-se menor.
14.000 x + 6000 x ≥ 840.000
 1 2
FR II 
 1x ≤ 90
 x1 , x2 ≥ 0

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio Variável Desvio (u2)

Total de Exposições por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Meta 1
Meta 2

Célula Fórmula Copiar Para

A2 = E3 —
B10 = SOMA(C3:D3) —
B11 = SOMAPRODUTO(C3:D3,C7:D7) —
B12 = C3–E3 —

X2

140

(1)
120
B

(S)
FR II
(2)

v1 = 0 D

u1 = 0
A E C
60 90 120 X1

Figura 12.17 Meta 2.

 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-17

Continuando dessa maneira, a Figura 12.18 (nova planilha cha-  x1 + x2 ≤ 120

mada “Meta 3”) mostra que FR III é o segmento da linha BD. 14.000 x + 6000 x ≥ 840.000
 1 2
Nesse caso, u*3 = 24.000. Embora as duas primeiras metas te- FR III 
x
 1 ≤ 90
nham sido completamente atingidas (uma vez que u*1 = v*2 = 0), a
1200 x1 + 1200 x2 ≥ 168.000 − 24.000 = 144.000
terceira meta não poderia ser completamente atingida porque u*3
> 0. Nessa etapa, Tom é indiferente quanto a qualquer decisão que define o segmento da linha BD.
que satisfaça

=E3+SOMAPRODUTO(C3:D3,C11:D11)

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio Variável Desvio (u3)

Total de Exposições por US$ 1000 gastos em

TV Rádio

Exposições Superiores de Renda por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Meta 1
Meta 2
Meta 3

Célula Fórmula Copiar Para

A2 = E3 —
B13 = SOMA(C3:D3) —
B14 = SOMAPRODUTO(C3:D3,C7:D7) —
B15 = C3 —
B16 = E3 + SOMAPRODUTO(C3:D3,C11:D11) —

X2

140

120
(3)
B

(S)
(2)
u

3 =
24
00
0

(1)

A E C
60 90 120 140 X1

Figura12.18 Meta 3.
CD12-18 Tomada de Decisão em Administração com Planilhas Eletrônicas

Por fim, a Figura 12.19 (nova planilha chamada “Ótima”)
mostra a solução ótima no ponto D. Lembre-se de que a quarta
meta é minimizar o erro para menos do número máximo possí-
vel de exposições, que é igual a 1.680.000. Portanto, deseja-
mos minimizar o erro para menos de u4 onde
14.000x1 + 6000x2 + u4 = 1.680.000.
Na Figura 12.19, descobrimos o único ótimo x1* = 90 e x2* = 30;
isto é, Tom deve gastar US$ 90.000 em anúncios publicitários
na TV e US$ 30.000 em anúncios publicitários no rádio. Esse
fato é verificado na análise gráfica, em que está claro que o
ponto D (x1 = 90, x2 = 30) é o mais próximo da linha que des-
creve a meta 4 (14.000x1 + 6000x2 = 1.680.000) do que qual-

=E3+SOMAPRODUTO(C3:D3,C7:D7)

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio Variável Desvio (u4)

Total de Exposições por US$ 1000 gastos em

TV Rádio

Exposições Superiores de Renda por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Meta 1
Meta 2
Meta 3
Meta 4

Célula Fórmula Copiar Para

A2 = E3 —
B13 = SOMA(C3:D3) —
B14 = SOMAPRODUTO(C3:D3,C7:D7) —
B15 = C3 —
B16 = SOMAPRODUTO(C3:D3,C11:D11) —
B17 = E3+SOMAPRODUTO(C3:D3,C7:D7) —

X2

14,000X1 + 6000X2 = 1,680,000

140
u4 ≥ 0
120
B

u 4 = 240,000

Solução
ótima

30
D

60 90 120 140 X1

Figura 12.19 Solução ótima.

 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
quer outro ponto em FR III (isto é, que qualquer outro ponto no
segmento BD). Também observamos que u*4 = 240.000. Portan-
to, Tom consegue somente 1.680.000 – 240.000 = 1.440.000
exposições.
Vemos, então, que a programação por metas com priori-
dades absolutas permite que um gerente (como Tom) resolva
um modelo em que não há nenhuma solução que alcance to-
das as metas, no qual ele está disposto a especificar uma clas-
sificação absoluta entre as metas e sucessivamente restringir
a sua atenção para aqueles pontos que mais se aproximam de
cada uma.
Combinando ponderações e prioridades absolutas
É possível combinar, até certo ponto, os conceitos com as prio-
ridades ponderadas e absolutas das metas. Para ilustrar esse fa-
to, retornaremos ao modelo de anúncios publicitários de Tom
Swenson.
Ao revisar os resultados do estudo de prioridade absolu-
to, Tom e seu cliente começam a discutir a importância das
pessoas mais idosas para o mercado do Mylonal. Em particu-
lar, eles se concentram no número de exposições para pessoas
com 50 anos de idade ou mais. Novamente, eles verificam
que o rádio e a TV não têm a mesma eficácia em gerar expo-
sições para esse segmento da população. As exposições por
US$ 1000 de anúncios publicitários ocorrem conforme a Ta-
bela 12.4:
Tabela 12.4
Grupo de exposição TV rádio
50 anos ou mais 3000 8000
Se não houver nenhuma outra consideração, Tom gostaria
de obter o máximo possível de exposições para pessoas com
50 anos ou mais. Uma vez que o rádio produz exposições a
uma taxa mais alta que a TV (8000 > 3000), Tom percebe
que o número máximo possível de exposições para pessoas
com 50 anos ou mais seria alcançado alocando-se todos os
US$ 120.000 disponíveis para o rádio. Portanto, o número
máximo de exposições para pessoas com 50 anos ou mais é
960.000 (= 120 × 8000). Tom e seu cliente gostariam de se
aproximar o máximo possível dessa meta (minimizar o erro
para menos) depois que as três primeiras metas forem satis-
feitas. Mas lembre-se de que eles também querem se apro-
ximar o máximo possível da meta de um total de 1.680.000
exposições (minimizar o erro para menos) dado que as três
primeiras metas são satisfeitas. Para resolver esse conflito
de metas, eles decidem utilizar uma soma ponderada das va-
riáveis de desvio como meta na fase final da abordagem das
prioridades absolutas. Na avaliação deles, o erro para menos
na quinta meta (960.000 exposições para o grupo com 50
anos ou mais) é três vezes mais sério que obter um erro pa-
CD12-19
ra menos na quarta meta (total de 1.680.000 exposições). A
formulação, sua solução (uma nova planilha chamada “Pon-
derado” na mesma SWENSON.XLS) e a análise gráfica são
apresentadas na Figura 12.20.
Na planilha, vemos que a solução ótima para esse modelo
é o ponto B (x1* = 15, x2* = 105). Lembre-se de que, quando a
função objetivo era minimizar u4, a decisão ótima era o ponto D
(x*1 = 90, x*2 = 30). Portanto, na análise gráfica, verificamos que
a nova função objetivo moveu a solução ótima de uma extremi-
dade da FR III para outra. Não há nenhuma maneira gráfica ób-
via de encontrar a solução ótima para esse modelo; isto é, não
há nenhum contorno óbvio para que a função objetivo seja di-
recionada para baixo e que nos leve ao ponto x1 = 15, x2 = 105.
É, entretanto, intuitivamente atraente verificar que a solução
ótima se aproxima o máximo possível da meta mais ponderada.
Poderíamos realizar uma análise de sensibilidade sobre as pon-
derações da função objetivo para ver quando a solução muda
para o ponto B a partir do ponto D.
Isso conclui a análise do modelo para a campanha publi-
citária de Tom Swenson. O procedimento PL seqüencial geral
descrito anteriormente para programação por metas com prio-
ridades absolutas é verdadeiro para qualquer modelo em que
as restrições de sistema e as restrições de metas são formula-
das como funções lineares. Para cada novo modelo, é adicio-
nada uma única restrição ao modelo anterior e a função obje-
tivo é ligeiramente modificada. Em termos gerais, um núme-
ro relativamente grande de variáveis de decisão pode estar en-
volvido. O exemplo com duas variáveis foi útil porque ele
tornou possível apresentar junto com os resultados da plani-
lha, interpretações geométricas, que adicionam discernimen-
to à técnica da solução.
O modelo anterior é útil em indicar como metas conflitan-
tes e incomensuráveis (isto é, alhos e bugalhos) podem ser con-
siderados simultaneamente por meio da programação de me-
tas. Portanto, ele fornece uma idéia da razão por que a progra-
mação por metas é uma ferramenta promissora e cada vez mais
útil para analisar questões sobre políticas públicas.
12.5 Processo da hierarquia analítica
Esta seção apresenta uma forma de lidar com situações reais
nas quais há múltiplos objetivos ou critérios a considerar. Há
vários exemplos em que esses tipos de decisões ocorrem em
nosso dia-a-dia. Considere o seguinte:
• Escolher qual oferta de emprego aceitar entre várias
ofertas
• Selecionar qual computador comprar (ou qual automó-
vel, etc)
• Decidir qual produto novo lançar primeiro
• Selecionar um local para instalação de um novo restau-
rante, hotel, fábrica e assim por diante
CD12-20 Tomada de Decisão em Administração com Planilhas Eletrônicas

Função Objetivo Variáveis de Decisão

Dólares na TV Dólares no Rádio Variável Desvio (u4) Variável Desvio (u5)

Total de Exposições por US$ 1000 gastos em

TV Rádio

Exposições Superiores de Renda por US$ 1000 gastos em

TV Rádio

Exposições Seniores de Renda por US$ 1000 gastos em

TV Rádio

Restrições
Despesas Totais
Meta 1
Meta 2
Meta 3
Meta 4
Meta 5

Célula Fórmula Copiar Para

A2 = 3*F3+E3 —
B16 = SOMA(C3:D3) —
B17 = SOMAPRODUTO(C3:D3,C7:D7) —
B18 = C3 —
B19 = SOMAPRODUTO(C3:D3,C11:D11) —
B20 = E3+SOMAPRODUTO(C3:D3,C7:D7) —
B21 = F3+SOMAPRODUTO(C3:D3,C14:D14) —

X2
Meta para 50 anos ou mais (u5)
140

120
B
u5 ≥ 0
Nova solução
ótima Meta total da espocição (u4)
u4 ≥ 0

60 90 120 X1

Figura 12.20 Ponderando a etapa final.

• Selecionar em que universidade estudar • Selecionar uma combinação de impostos (propriedade,

• Identificar a melhor faculdade de engenharia ou de eco- vendas, gás, etc) a ser tributado aos cidadãos de uma lo-
nomia no país calidade.

• Classificar as cidades com o melhor padrão de vida
• Escolher um novo sistema de informações para sua em-
presa que faz a folha de pagamento, contabilidade, etc.
(ou escolher um novo pacote de software qualquer entre
fornecedores concorrentes)
Por exemplo, ao comprar um carro, você talvez leve em con-
sideração vários fatores, como preço, segurança, potência
do motor, economia de combustível, etc. Cada um dos
exemplos discutidos anteriormente também teriam vários
fatores a serem considerados na tomada de decisão.
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
Uma maneira simples de considerar os fatores para a de-
cisão seria atribuir ponderações a cada um dos critérios que
devem ser considerados. Em seguida, classificar cada alter-
nativa de decisão em uma escala de 1 (pior) a 10 (melhor).
Por fim, você multiplicaria as ponderações pelas classifica-
ções de cada critério e as somaria. A alternativa com a con-
tagem mais alta seria a preferida. Vamos considerar um
exemplo.
Seu chefe pediu que você lhe ajudasse a escolher o mode-
lo do próximo computador do escritório. Você tem de escolher
entre três computadores: (1) O modelo A é executado com um
chip AMD K6-II de 400 MHz, (2) O modelo B é executado
com um chip Celeron de 333 MHz e (3) O modelo C é possui
um chip Pentium II de 450 MHz. Os critérios importantes pa-
ra você e seu chefe são preço, velocidade, tamanho do disco rí-
gido e garantia/suporte. Você decide que o preço deve ter 50%
do peso ao tomar essa decisão, a velocidade, 15%, o tamanho
do disco rígido, 20% e a garantia/suporte, 15%. Em seguida,
você classifica cada um dos três modelos com esses quatro cri-
térios. Você os classifica em uma escala de 1 a 10 (como des-
crito anteriormente) como mostra a planilha a seguir (COM-
PUTER.XLS) na Figura 12.21.
Como pode ser visto, o Modelo B possui a classificação
ponderada mais alta (7,05) e assim seria a sua recomendação
ao seu chefe. Essa abordagem é bem simplista e há dificulda-
des em configurar as escalas de classificação com critérios tão
diferentes.
O processo de hierarquia analítica (analytic hierarchy
process – AHP) também utiliza a idéia de uma abordagem de
média ponderada, mas utiliza um método para atribuir coefi-
cientes (ou classificações) e ponderações que são considerados
mais confiáveis e consistentes que aqueles relacionados ao mé-
todo simples descrito anteriormente. O AHP é baseado em
comparações de pares entre as alternativas de decisão sobre ca-
da um dos critérios. Em seguida, é criado um conjunto seme-
lhante de comparações para determinar a importância relativa
=SOMAPRODUTO($C$4:$C$7,E4:E7)
Critério Pesos Modelo A
Preço
Velocidade
Disco Rígido
Garantia
Célula Fórmula
C8 = SOMA(C4:C7)
E8 = SOMAPRODUTO($C$4:$C$7, E4:E7)
Figura 12.21 Modelo de decisão com múltiplos atributos para comprar um computador.
CD12-21
de cada critério e, assim, produzir as ponderações. O procedi-
mento básico é o seguinte:
1. Desenvolver as classificações para cada alternativa de
decisão para cada critério
• desenvolvendo uma matriz de comparação de pares
para cada critério
• normalizando a matriz resultante
• determinando a média dos valores em cada linha
para obter a classificação correspondente
• calculando e verificando a relação de consistência
2. Desenvolver as ponderações para os critérios
• desenvolvendo uma matriz de comparação de pares
para cada critério
• normalizando a matriz resultante
• determinando a média dos valores em cada linha
para obter as ponderações apropriadas
• calculando e verificando a relação de consistência
3. Calcular a classificação da média ponderada para cada
alternativa de decisão. Escolher aquela com o score mais
alto.
Demonstraremos esse procedimento em um novo exemplo. O
grupo Sleepwell Hotels está procurando ajuda para selecionar
o “melhor” pacote de software para gerenciamento de receita
entre os vários fornecedores. Mark James é diretor do departa-
mento financeiro dessa rede de hotéis e tem a tarefa de selecio-
nar o pacote de software. Ele identificou três fornecedores cu-
jos softwares parecem atender a suas necessidades básicas –
Revenue Technology Corporation (RTC), PRAISE Strategic
Solutions (PSS) e El Cheapo (EC). Os critérios que ele pensa
serem importantes para tomar essa decisão são (1) o custo total
do sistema instalado, (2) o serviço de acompanhamento forne-
cido para o próximo ano, (3) a sofisticação dos mecanismos
matemáticos subjacentes e (4) a quantidade de personalização
Classificações Aplicativosn
Modelo B Modelo C
Copiar Para
—
F8:G8
CD12-22 Tomada de Decisão em Administração com Planilhas Eletrônicas
para o Sleepwell. O primeiro passo no procedimento AHP é fa-
zer comparações de pares entre os fornecedores para cada cri-
tério. A escala que é utilizada ao fazer essas comparações é
uma escala-padrão que é descrita assim:
Classificação Descrição
1 Preferência idêntica
3 Preferência moderada
5 Preferência forte
7 Preferência muito forte
9 Preferência extremamente forte
Os valores 2, 4, 6 ou 8 também podem ser atribuídos e repre-
sentam as preferências intermediárias entre os inteiros em
qualquer um dos lados (por exemplo, 2 está entre 1 e 3 – em al-
gum lugar entre as preferências idênticas e as preferências mo-
deradas).
Mark inicia com o primeiro critério (custo total) e gera os
seguintes dados na sua planilha (planilha “Custo Total” em
SLEEPWLL.XLS mostrada na Figura 12.22). A tabela é inter-
pretada desta maneira: o fornecedor na linha é comparado com
o fornecedor na coluna. Se o fornecedor na linha for preferido
ao fornecedor na coluna, atribui-se um número de 1 a 9 (na ta-
bela AHP) à célula na interseção da linha com a coluna. Mas,
caso se prefira o fornecedor na coluna ao fornecedor na linha,
então é atribuído 1 (dividido por um número entre 1 e 9) à cé-
lula na interseção da linha com a coluna. Obviamente, uma vez
que o fornecedor 1 (RTC) tem uma preferência idêntica ao for-
necedor 1, então se atribui um “1” a essa linha/coluna e, de fa-
to, ao longo de toda a diagonal. O fornecedor 1 tem uma prefe-
rência entre moderada e forte com relação ao fornecedor 2 na
base do custo total e, portanto, é atribuído um “4” à primeira li-
nha, segunda coluna (célula C4). O fornecedor 3 (EC) tem uma
preferência entre idêntica e moderada ao fornecedor 1 (RTC),
e um “1/2” é, portanto, atribuído à linha 1, coluna 3 (célula
D4). Mark configurou sua planilha de modo que, depois que as
entradas acima e à direita da diagonal são inseridas (células
Célula Fórmula
B5 = 1/C4
B6 = 1/D4
C6 = 1/D5
Figura 12.22 Comparação de pares sobre o custo total.
C4, D4 e D5), a planilha calcula automaticamente as preferên-
cias recíprocas. Por exemplo, uma vez que o fornecedor 1,
comparado com o fornecedor 2, tenha recebido um “4”, então
a comparação entre o fornecedor 2 e o fornecedor 1 obtém um
“1/4” automaticamente (célula B5).
Depois que todas as comparações de pares relevantes te-
nham sido feitas, a matriz precisa ser normalizada. Faz-se essa
normalização somando os números em cada coluna. Cada en-
trada na coluna é então dividida pela soma da coluna para pro-
duzir sua contagem normalizada. Agora, Mark fez isso na sua
planilha que é mostrada nas células B12:D14 da Figura 12.23.
Seu próximo passo é calcular a contagem média para cada for-
necedor no critério “Custo Total”. Esses valores são mostrados
na coluna E da Figura 12.23. Mark verifica que a EC tem a
contagem média mais alta nesse fator.
Depois que a matriz normalizada é concluída, ele deve cal-
cular a relação de consistência e verificar seu valor. O propósi-
to de fazer isso é assegurar que Mark foi consistente nas avalia-
ções das preferências que ele expressou na tabela original. Por
exemplo, se Mark expressasse uma preferência forte pelo for-
necedor 1 ao fornecedor 2 no critério Custo Total e uma prefe-
rência moderada pelo fornecedor 2 ao fornecedor 3, isso então
seria inconsistente para expressar uma preferência idêntica en-
tre os fornecedores 1 e 3 ou pior para expressar uma preferên-
cia pelo fornecedor 3 ao fornecedor 1. Há três etapas para che-
gar a uma relação de consistência:
1. Calcular o grau de consistência para cada fornecedor.
2. Calcular o índice de consistência (consistency index – CI).
3. Calcular a relação de consistência (CI/RI, onde RI é um
índice aleatório).
Para calcular o grau de consistência, tiramos proveito da
função de multiplicação de matriz do Excel = MMULT(). Co-
mo Mark nos mostra na Figura 12.24, para o fornecedor 1
(RTC) você multiplica a avaliação média de cada fornecedor
(células E12:E14) pelas contagens na primeira linha (células
B4:D4) uma de cada vez, soma esses produtos e divide essa so-
Copiar Para
—
—
—
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
Soma
NORMALIZADO
Média
Célula Fórmula
B8 = SOMA(B4:B6)
B12 = B4/B$8
E12 = MEDIA(B12:D12)
Figura 12.23 Matriz normalizada para o custo total.
ma pela avaliação média do primeiro fornecedor (célula E12).
Faz-se um cálculo semelhante para o segundo e o terceiro for-
necedores. Em teoria, o grau de consistência seria igual ao nú-
mero de alternativas de decisão no exemplo (no nosso caso, te-
mos três fornecedores). Para calcular o índice de consistência
(CI), Mark seleciona o grau médio de consistência entre os três
fornecedores, subtrai o número de alternativas (n) e divide a
quantidade total por n – 1. Isso é mostrado na célula F16 da Fi-
gura 12.24 e Mark verifica que seu CI tem um valor de 0,001. O
passo final para encontrar a relação de consistência (consistency
ratio – CR) é dividir o CI por um índice aleatório (random in-
dex – IR) que é fornecido pelo AHP e mostrado a seguir:
n Índice aleatório
2 0,00
3 0,58
4 0,90
5 1,12
6 1,24
7 1,32
8 1,41
9 1,45
10 1,51
Essa relação de consistência é mostrada na célula F20 da Figu-
ra 12.24 e, no exemplo do Mark, ela é igual a 0,002.
Para um gerente perfeitamente consistente, as medidas de
consistência serão iguais a n e, portanto, os CIs serão iguais a
zero, assim como a relação de consistência. Se essa relação for
muito grande (Saaty sugere > 0,10), então o gerente não é sufi-
cientemente consistente e a melhor coisa a fazer é voltar e revi-
sar as comparações (na maioria dos casos, você terá feito um
erro simples e esse cálculo o alertará sobre esse fato).
CD12-23
Copiar Para
C8:D8
B12:D14
E13:E14
Mark agora deve fazer a mesma coisa para os outros três
critérios. Ele pode fazer isso facilmente copiando a planilha
“Custo Total” para as outras três planilhas (“Serviço”, “Sofisti-
cação”, “Personalizada”) e, em seguida, simplesmente modifi-
car as comparações de pares. Os resultados desse processo são
mostrados nas Figuras 12.25 a 12.27. Mark observa que, em to-
dos os três casos, os valores de CR variam entre 0,0 e 0,047, o
que significa que ele está sendo consistente. Ele também obser-
va que o PSS é o vencedor quanto ao critério Serviço, RTC e
PSS estão empatados em termos de Sofisticação e o PSS é con-
siderado o melhor quanto à Personalização.
Todo esse trabalho conclui o primeiro passo no procedi-
mento. O próximo passo (2) no procedimento é utilizar as com-
parações de pares semelhantes para determinar as ponderações
apropriadas para cada um dos critérios. O processo é o mesmo
no sentido de que fazemos comparações, com a diferença de
que agora fazemos comparações entre os critérios e não entre
os fornecedores como fizemos no passo 1. Mark faz isso em
uma nova planilha chamada “Ponderações” (na mesma pasta
de trabalho), mostrada na Figura 12.28.
Mark percebe que o critério Sofisticação dos algoritmos
matemáticos obtém o maior peso na ponderação (52,5% na cé-
lula F14), seguido pelo Custo (30,4% na célula F12) com base
nas comparações de pares. Novamente, ele está satisfeito com
o grau de consistência, próximo a 4 e, portanto, com o fato de
seu CI e seu CR estarem próximos de zero.
O passo final é calcular as avaliações da média pondera-
da de cada alternativa de decisão e utilizar os resultados para
decidir de qual fornecedor comprar o novo pacote de softwa-
re. Esse último passo é realizado como o exemplo simples
que demos no começo desta seção e Mark extrai os resultados
de todas as suas outras planilhas a fim de fazer esse cálculo
(veja a planilha “Comparação” na mesma COMPU-
TER.XLS). Isso é mostrado na Figura 12.29. Desses resulta-
dos, Mark percebe que a RTC (0,378 na célula C8) fica mui-
CD12-24 Tomada de Decisão em Administração com Planilhas Eletrônicas

Soma

NORMALIZADO
Média Medida Consistência

Relação

Célula Fórmula Copiar Para

F12 = MATRIZMULT(B4:D4,$E$12:$E$14)/E12 F13:F14
F16 = (MEDIA(F12:F14)-3)/2 —
F20 = F16/F18 —

Figura 12.24 Relação de consistência para o custo total.

Soma

NORMALIZADO
Média Medida Consistência

Relação

Figura 12.25 Relação de consistência para o critério Serviço.

=(MEDIA(F12:F14) - 3)/2

Soma

NORMALIZADO
Média Medida Consistência

Relação

Figura 12.26 Relação de consistência para Sofisticação.

 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-25

=(SOMA(C4:C6)

Soma

NORMALIZADO
Média Medida Consistência

Relação

Figura 12.27 Relação de consistência para Personalização.

=(MEDIA(G12:G15) - 4)/3

Custo Serviço Sofisticação Personalização

Custo
Serviço
Sofisticação
Personalização
Soma

NORMALIZADO
Custo Serviço Sofisticação Personalização Média Medida Consistência
Custo
Serviço
Sofisticação
Personalização

Relação

Célula Fórmula Copiar Para

B5 = 1/C4 —
B6 = 1/D4 —
B7 = 1/E4 —
C6 = 1/D5 —
C7 = 1/E5 —
D7 = 1/E6 —
B8 = SOMA(B4:B7) C8:E8
B12 = B4/B$8 B12:E15
F12 = MEDIA(B12:E12) F13:F15
G12 = MATRIZMULT(B4:E4,$F$12:$F$15)/F12 G13:G15
G16 = MEDIA(G12:G15)/3 —
G20 = G16/G18 —

Figura 12.28 Relação de consistência para os pesos de cada critério.

CD12-26 Tomada de Decisão em Administração com Planilhas Eletrônicas

Avaliações Alternativas
Critério
Critérios Pesos
Custo
Serviço
Sofisticação
Personalização

Avaliações Peso

Célula Fórmula Copiar Para

B3 = WEIGHTS!F12 B4:B6
C3 = TOTAL COST!E12 —
D3 = TOTAL COST!E13 —
E3 = TOTAL COST!E14 —
C4 = SERVICE!E12 —
D4 = SERVICE!E13 —
E4 = SERVICE!E14 —
C5 = SOPHISTICATION!E12 —
D5 = SOPHISTICATION!E13 —
E5 = SOPHISTICATION!E14 —
C6 = CUSTOM!E12 —
D6 = CUSTOM!E13 —
E6 = CUSTOM!E14 —
C8 = SOMAPRODUTO($B$3:$B$6,C3:C6) D8:E8

Figura 12.29 Classificações de média ponderada AHP utilizando ponderações AHP.

to próximo da PSS (0,376 na célula D8) quanto ao novo con-
trato de software, enquanto a EC permanece em um distante
terceiro lugar.
12.6 Observações sobre implementação
Assim como para a maioria dos tipos de modelos quantitativos,
em geral as abordagens heurísticas são implementadas com
uma planilha ou algum outro programa de computador. Uma
diferença, na prática, entre utilizar procedimentos heurísticos e
utilizar modelos mais formais como programação linear ou
quadrática, é que no caso dos modelos mais formais o softwa-
re de computador já existe. Contudo, no caso heurístico a apli-
cação é freqüentemente ad hoc, o que implica no fato de que o
software deve ser construído. Uma aplicação típica da heurísti-
ca é, como declarado anteriormente, a área de grandes modelos
combinatórios, nos quais obter uma solução por enumeração
ou aplicando um modelo formal de programação matemática
ou inteira seria proibitivamente caro. Em todas as aplicações da
heurística, há um julgamento administrativo implícito de que
“aceitabilidade”, em vez de “condição ótima”, é uma maneira
apropriada de pensar. Em outras palavras, percebe-se que
“boas soluções” em oposição a “soluções ótimas” podem ser
úteis e satisfatórias. Essa filosofia é particularmente bem ade-
quada para modelos que são relativamente vagos em suas ins-
truções, como modelos de alto nível com objetivos substitutos
ou para os quais há vários critérios conflitantes de interesses e
para os quais, conseqüentemente, não há uma função objetivo
única, bem delineada e definitiva.
Na prática, o uso da heurística está, em alguns casos, inti-
mamente vinculado ao campo da inteligência artificial, em que
o programa de computador com técnicas heurísticas pode com-
provar teoremas, jogar xadrez e mesmo escrever poemas.
Talvez a utilização mais comum da heurística na adminis-
tração tenha sido, até a presente data, nos modelos de balancea-
mento de linha de montagem, seqüenciamento de tarefas (job-
shop scheduling) e alocação de recursos no gerenciamento de
projetos. Entretanto, recentemente houve um aumento no esco-
po das aplicações para essas áreas, como seleção de mídia em
marketing, divisão de áreas políticas, agendamento de aulas
universitárias ou sistemas de posicionamento urbano.
Na implementação de todos os modelos heurísticos, a inte-
ração gerencial e o feedback talvez devam desempenhar um pa-
pel ainda maior no caso da criação de modelos mais formais,
pois, no caso heurístico, o gerente deve avaliar não apenas o
modelo, mas, implicitamente, também o algoritmo heurístico.
Essa avaliação é necessária porque, para o mesmo modelo,
uma heurística diferente levará a “soluções” diferentes.
Essa interação íntima entre o modelo e o tomador de deci-
sões também está manifesta na programação de metas quando
o tomador de decisões deve atribuir prioridades para várias
metas, como na forma de classificação ordinal (isto é, priori-
dades absolutas). A programação por metas é um recurso in-
tuitivo e, nesse sentido, uma abordagem “heurística” para mo-
delos com múltiplas metas. Na programação por metas com
prioridades absolutas, o gerente deve considerar cuidadosa-
mente a importância relativa ou utilitária de suas metas. De-
pendendo da saída do modelo de planilha, o tomador de deci-
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
sões talvez deseje modificar as prioridades ou mesmo o núme-
ro de metas e executar novamente o modelo de planilha. Em
outras palavras, como ocorre com PL, a análise de sensibilida-
de torna-se um aspecto importante da implementação. Uma
vez que programação por metas ainda está temporariamente
engatinhando, o campo está se desenvolvendo, de um ponto de
vista teórico, a uma velocidade rápida e parece evidente que
esse desenvolvimento sugere uma maior utilização da técnica,
Termos-chave
Algoritmo ganancioso. Um algoritmo que informa que a melhoria
máxima deve ser feita em cada passo de um processo seqüencial.
Algoritmo heurístico. Um algoritmo que fornece eficientemen-
te boas soluções aproximadas para um dado modelo, freqüen-
temente com estimativas como base da aproximação.
Folga. No contexto de programação de projeto, refere-se ao pe-
ríodo máximo de tempo que qualquer atividade pode ser adia-
da sem adiar a conclusão do projeto global.
Gráfico de alocação de pessoal. Um gráfico de barras que mos-
tra o número total de pessoas requeridas por semana a fim de
executar uma dada programação de atividades.
Heurística. Uma regra geral intuitivamente atraente para lidar
com alguns aspectos de um modelo.
Otimização combinatória. Um modelo de otimização com um
número finito de alternativas praticáveis.
Prioridade absoluta. Uma forma da programação por metas em
que as metas devem ser satisfeitas em uma ordem específica.
Processo de hierarquia analítica (AHP). Um procedimento
que utiliza comparações de pares para tomar decisão entre al-
Exercícios de revisão
Verdadeiro – Falso
1. V F Os algoritmos heurísticos têm garantia de alcançarem
uma porcentagem especificada de condição ótima na con-
clusão.
2. V F A solução ótima para um modelo de otimização com-
binatória pode, a princípio, ser encontrada por meio da enu-
meração completa.
3. V F Uma heurística alternativa no modelo de programação
com recursos limitados é adiantar a atividade que contribui
com a maior parte da sobrecarga (isto é, que utiliza o maior
número de pessoas).
4. V F A programação por metas é a única técnica quantitativa
desenvolvida para utilização nos modelos com múltiplos ob-
jetivos.
5. V F Cada passo na programação por metas com priorida-
des absolutas introduz uma nova meta e elimina outras con-
siderações sobre todos os candidatos atuais que não satisfa-
zem essa nova meta da melhor maneira possível.
CD12-27
especialmente à medida que a análise de sensibilidade torna-
se mais bem compreendida.
Na prática, há programas de computador para resolver pro-
gramas com metas em larga escala no modo de processamento
em lotes, mas, em geral, não fazem parte das bibliotecas do
programa-padrão. Para modelos com tamanho modesto, o mo-
do interativo é idealmente adequado à técnica seqüencial des-
crita neste capítulo.
ternativas concorrentes quando há múltiplos critérios conside-
rados importantes.
Programa heurístico. Uma coleção de heurística e/ou algorit-
mos heurísticos.
Programação por objetivos. Busca decisões admissíveis que se
aproximem o máximo possível da realização das metas espe-
cificadas.
Próxima melhor regra. Idêntica ao algoritmo ganancioso.
Relacionamentos de precedência. Significa que certas ativida-
des devem ser concluídas antes que outras possam iniciar.
Restrição do intervalo do objetivo. Uma restrição com a qual
os objetivos são especificados por um intervalo, em vez de por
um valor numérico específico.
Tempo de preparação. Tempo requerido antes que uma ativida-
de possa iniciar.
Variáveis de desvio. Variáveis utilizadas na programação por
objetivos para medir com que extensão um objetivo especifi-
cado é violado.
6. V F Considere a restrição de objetivo 12x1 + 3x2 + u1 – v1 =
100. Suponha que, devido a outras restrições no modelo, a
meta não possa ser alcançada. Se u1 for positivo, a meta é
superestimada.
7. V F Uma maneira de declarar prioridades entre metas é co-
locar ponderações nas variáveis de desvio.
8. V F Considere a restrição de intervalo da meta 180  4x1 +
12x2  250. Uma formulação de meta correta é
4x1 + 12x2 – v1  250
4x1 + 12x2 – u1  180
9. V F Se uma restrição no intervalo da meta não puder ser al-
cançada (precisamente satisfeita), então uma das variáveis
de desvio será positiva e a restrição em que essa variável
aparece estará ativa.
10. V F Uma restrição de sistema na programação por meta
não pode ser violada.
11. V F Um modelo de programação por meta pode não ter
solução.
CD12-28 Tomada de Decisão em Administração com Planilhas Eletrônicas
Múltipla escolha
12. Se o tempo de troca de ferramentas (changeover) de n tra-
balhos em uma única máquina depende da seqüência, o
problema de minimizar o tempo total de preparação re-
quer a análise de
a. n seqüências
b. 1 seqüência
c. n! seqüências
d. n2 seqüências
13. A noção intuitivamente atraente que motiva o uso de um
algoritmo ganancioso é
a. aproximar o máximo possível da solução ótima
b. fazer o melhor que você puder na etapa atual
c. minimizar o número de passos requeridos
d. nenhuma das anteriores
14. No modelo de programação de produção, subtrair o tem-
po de preparação mínimo em uma coluna das outras en-
tradas nessa coluna
a. é uma heurística baseada na noção de que são os cus-
tos relativos que importam
b. certamente produz uma solução ótima se o algoritmo
ganancioso for aplicado
c. torna o algoritmo ganancioso inútil
d. todas as anteriores
15. Se um modelo de programação por metas incluir a restri-
ção g1(x1,…, xn) + u1 – v1 = b1 e o termo 6u1 + 2v1 na função
objetivo, o tomador de decisões
a. prefere que g1(x1,…, xn) seja maior, e não menor, que b1
b. prefere que g1(x1,…, xn) seja menor, e não maior, que b1
c. é indiferente se g1(x1,…, xn) for maior ou menor que
b1
16. Os modelos com múltiplos objetivos
a. são difíceis porque freqüentemente é verdadeiro o fa-
to de que melhorar um objetivo prejudicará outro
b. são difíceis porque os objetivos podem estar em uni-
dades incomensuráveis (isto é, o problema de “combi-
nar alhos e bugalhos”)
Respostas
1. F, 2. V, 3. V, 4. F, 5. V, 6. F, 7. V, 8. F, 9. V, 10. V, 11. F, 12. c, 13. b, 14. a, 15. a, 16. d, 17. b, 18. c, 19. c, 20. d
c. às vezes podem ser tratados com a abordagem da pro-
gramação por metas
d. todas as anteriores
As perguntas 17, 18, 19 aplicam-se ao seguinte problema:
1. g1(x1, x2)  b1 é uma restrição de sistema
2. minimizar o erro para menos de g2(x1, x2) = b2 é a priorida-
de mais importante
3. minimizar o erro para mais de g3(x1, x2) = b3 é a próxima
prioridade
17. O primeiro passo do procedimento de solução é
a. Min u2, s.a. g1(x1, x2)  b1; g2 – u2 = b2; x1, x2, u2  0
b. Min u2, s.a. g1(x1, x2)  b1; g2 + u2  b2; x1, x2, u2  0
c. Min u2, s.a. g1(x1, x2)  b1; g2 – u2  b2; x1, x2, u2  0
18. FR I representa os pontos (x1, x2) obtidos no primeiro pas-
so do procedimento da solução. O segundo passo é
a. Min u3 + v3, s.a. (x1, x2) em FR I e g3(x1, x2) + u3 – v3
= b3
b. Min u3, s.a. (x1, x2) em FR I e g3(x1, x2) + u3  b3
c. Min v3, s.a. (x1, x2) em FR I e g3(x1, x2) – v3  b3
19. Nesse modelo,
a. pelo menos uma das metas será alcançada
b. se a primeira meta não for alcançada, a segunda meta
não será alcançada
c. nenhuma das anteriores
20. Considere um programa por metas com a restrição
g1(x1,…, xn) – v1  b1, v1  0
com v1 na função objetivo. Então,
a. a meta é minimizar o erro para mais
b. se v*1 > 0 então a restrição estará ativa
c. nenhuma das anteriores
d. tanto a como b estão corretas
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-29

Problemas
12-1. Para o modelo de agendamento minimax, encontre uma 12-2. Suponha que Solomon atribuiu o departamento 1 ao local
solução ótima alternativa àquela dada na Figura 12.12. 4, o departamento 2 ao local 3, o departamento 3 ao local
2 e o departamento 4 ao local 1.
Os problemas 12-2, 12-3 e 12-4 referem-se ao seguinte
exemplo, chamado modelo de leiaute de instalações: (a) Qual seria a distância entre os departamentos?
(b) Qual seria o custo total das atribuições de Solomon?
Solomon Farson, um consultor de gerenciamento, foi em- (c) Qual seria o número total das possíveis atribuições de
pregado para refazer o leiaute de um pequeno banco. Há instalações a locais que Solomon consideraria se abor-
quatro departamentos-chave a serem levados em conside- dasse o modelo por enumeração completa?
ração: (1) Investimentos (2) Imóveis, (3) Contabilidade, (4)
(d) Para o modelo geral de atribuir n instalações a n lo-
Poupança. Esses quatro departamentos devem ser atribuí-
cais, qual é o número total de atribuições possível?
dos a quatro locais. A distância entre os locais é dada na Ta-
bela 12.5. Portanto, a distância do local 2 ao local 4 é uma 12-3. Suponha que o departamento 1 seja atribuído ao local 1.
unidade, do 4 ao 1 é uma unidade e assim por diante. Na Desenhe uma árvore, análoga à Figura 12.1, mostrando as
Tabela 12.6, é mostrada uma medida dos “fluxos diários” possíveis atribuições restantes dos departamentos 2, 3 e 4
de ida e volta entre os quatro departamentos-chave. aos locais 2, 3 e 4.
O problema é atribuir os quatro departamentos aos
12-4. Ainda referindo-se a Solomon e seu modelo de leiaute,
quatro locais (um departamento por local) para minimizar
a soma dos fluxos diários com distância ponderada. Por (a) Quantos pares diferentes de departamentos podem ser
exemplo, se fizéssemos a atribuição dos departamentos selecionados a partir dos quatro departamentos?
aos locais como a seguir: 1 → 1, 2 → 2, 3 → 3, 4 → 4, en- (b) Inicie a partir da resposta do item (a) do problema 12-
tão o valor objetivo será 2 para aprimorar a atribuição empregando a Best Pair-
wise Exchange Heuristic (heurística da melhor troca
custo de duas vias ponderado entre as de pares), como descrito aqui. (Várias heurísticas fo-
instalações 1 e 2 = distância × fluxo = 2(15) = 30 ram propostas na literatura para abordar o modelo de
custo de duas vias ponderado entre as atribuição de instalações. Em um desses estudos [ver
instalações 1 e 3 = distância × fluxo = 3(20) = 60 Mojena et. al.] envolvendo 12 instalações, foi relatado
custo de duas vias ponderado entre as que alcançar um resultado verdadeiramente ótimo
instalações 1 e 4 = distância × fluxo = 1(16) = 16 com um algoritmo de partição e avaliação sucessivas
exigiu duas horas em um computador de alta veloci-
custo de duas vias ponderado entre as
dade. Em sete segundos, a heurística da melhor troca
instalações 2 e 3 = distância × fluxo = 3(13) = 39
de pares produziu uma proposta que estava, em ter-
custo de duas vias ponderado entre as mos de valores dos objetivos associados, a 3% do óti-
instalações 2 e 4 = distância × fluxo = 1(9) = 9 mo). Quanto você aprimorou sua função objetivo?
custo de duas vias ponderado entre as Passo 1: Encontre o aprimoramento potencial na
instalações 3 e 4 = distância × fluxo = 2(19) = 38 função objetiva associada com cada troca
custo total = 192 de pares de departamentos. Por exemplo,
se os departamentos 1 e 2 fossem trocados,
Tabela 12.5 Distâncias entre os locais a nova atribuição seria 1 → 3, 2 → 4, 3 →
2 e 4 → 1. Isto é, o local dos departamen-
Local
tos 1 e 2 seria modificado, mas os departa-
Local 1 2 3 4 mentos 3 e 4 permaneceriam inalterados.
1 0 2 3 1 Passo 2: Faça a troca de pares que resulte no maior
aprimoramento. Em seguida, repita o pro-
2 2 0 3 1
cedimento até que nenhuma troca de pares
3 3 3 0 2
aprimore o valor da função objetivo.
4 1 1 2 0
12-5. Sam Hull é gerente de marketing de uma empresa farma-
cêutica. Ele deve designar cinco propagandistas para
Tabela 12.6 Fluxos entre departamentos cinco hospitais. As vendas esperadas são mostradas na
Departamento Tabela 12.7.
Departamento 1 2 3 4
(a) Utilize uma heurística gananciosa para atribuir cada
propagandista a cada hospital, de modo que o total das
1 0 15 20 16 vendas esperadas seja maximizado.
2 15 0 13 9 (b) Utilize a heurística modificada na Seção 12.2 (isto é,
3 20 13 0 19 depois de transformar os dados subtraindo as vendas
4 16 9 19 0 máximas em cada coluna de todas as outras entradas
nessa coluna, e utilizando então a heurística ganan-
CD12-30 Tomada de Decisão em Administração com Planilhas Eletrônicas

ciosa) para chegar a uma nova solução. Quanto me- Tabela 12.8
lhor é essa heurística em relação àquela utilizada na
T1 T2 T3
parte (a)?
Tabela 12.7 Nenhuma preparação anterior US$ 50 US$ 35 US$ 39
T1 – US$ 30 US$ 34
Hospital
T2 US$ 41 – US$ 30
Propagandista A B C D E T3 US$ 35 US$ 25 –
1 25 18 23 22 16
2 20 21 18 15 12
D
3 23 19 20 21 20
4 30 26 25 22 20
A G
5 28 22 23 20 18
C F
B H
12-6. Três trabalhos – T1, T2 e T3 – devem ser realizados em
um torno. O custo da preparação de um trabalho depende
E
da preparação do trabalho anterior. Na Tabela 12.8, é
apresentado o custo da troca de ferramentas. Atualmente, Figura 12.30
o torno não está configurado para nenhum trabalho.
(a) Utilize a heurística gananciosa para programar os tra- Tabela 12.9
balhos. O objetivo é minimizar o custo total da prepa-
ração. Atividade Tempo requerido Pessoal
(b) Utilize a heurística modificada na Seção 12.2 para
A 1 4
programar os trabalhos.
B 2 5
(c) A heurística modificada sempre produz um resultado
C 1 3
melhor que a heurística gananciosa?
D 2 2
12-7. Erma McZeal é responsável pelo controle de qualidade do E 2 7
fornecimento de água da cidade de Chicago. Há atual- F 1 7
mente três estações de teste localizadas no lago Michigan.
G 1 5
Sejam (x1, x2) as coordenadas em milhas, os três locais
H 1 4
existentes estão posicionados desta maneira:
estação 1: x1 = 2, x2 = 10
estação 2: x1 = 6, x2 = 6 12-9. Mix de produtos. Uma empresa produz dois produtos.
estação 3: x1 = 1, x2 = 3 Cada produto deve ser processado por duas máquinas,
cada uma com 240 minutos de capacidade disponível
O trabalho de Erma é localizar uma nova estação de modo por dia. Cada unidade do produto 1 requer 20 minutos na
a minimizar a distância total entre a nova estação e as três máquina 1 e 12 minutos na máquina 2. Cada unidade do
estações existentes. Assuma que, devido aos locais do produto 2 requer 12 minutos na máquina 1 e 20 minutos
marcador de canal, a distância é medida de maneira retan- na máquina 2. Ao determinar a combinação diária de
gular. Em outras palavras, se a nova estação estivesse lo- produtos, a gerência gostaria de alcançar os seguintes
calizada em (x1 = 3, x2 = 4), ela então teria uma distância objetivos:
de | 3 – 2 | + | 4 – 10 | ou 7 (= 1 + 6) unidades, da estação
1; e assim por diante. Sejam (x1, x2) as coordenadas da no- 1. Produção total em conjunto de 12 unidades
va estação, formule um modelo de programação por me- 2. Produção de nove unidades do produto 2
tas para resolver o problema da Erma. 3. Produção de 10 unidades do produto 1
12-8. A Figura 12.30 é o diagrama de precedência para as ativi- Suponha que a gerência deseje minimizar o erro para me-
dades em um projeto. Na Tabela 12.9, são apresentados nos de cada uma dessas metas e que as ponderações das
tempo e o pessoal requeridos para cada atividade. Utilize prioridades predeterminadas, w1, w2 e w3, devam ser atri-
a heurística da suavização da carga de trabalho para gerar buídas às três metas, respectivamente. Formule isso como
uma agenda para esse projeto. um modelo de programação por metas.
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
12-10. A T & C Furniture Company (TCFC) fabrica mesas e ca-
deiras. Escreva as restrições de meta para os seguintes ob-
jetivos (utilizando as variáveis T e C para representar o
número de mesas e cadeiras, respectivamente, fabricados
em um período):
(a) Uma mesa leva 10 horas para ser fabricada e uma ca-
deira, 5 horas. O número total de horas de trabalho
disponível por turno é 3.200. Embora o tempo ocioso
e as horas extras sejam aceitáveis, a TCFC gostaria
que o número total de horas de trabalho fosse o mais
próximo possível de 3.200.
(b) Uma mesa utiliza uma prancha de madeira inteira e
uma cadeira, metade de uma prancha; 300 pranchas
de madeira estão disponíveis durante um período, e
não podemos comprar mais matéria-prima. A TCFC
gostaria de utilizar a maior parte possível dessa ma-
deira em um período.
(c) A TCFC fabrica mesas sob encomenda e comprome-
teu-se a fornecer 200 mesas em um período. Mesas
extras, se produzidas, têm de ser mantidas em estoque,
e a empresa gostaria de minimizar o número de mesas
mantidas em estoque.
(d) A demanda por cadeiras é incerta, mas é estimada entre
200 e 250. A empresa gostaria de produzir um número
de cadeiras o mais próximo possível desse limite.
12-11. Considere o modelo de programação por meta:
Min P1v1 + P2v2 + P3u3 + P4(u4 + v4)
s.a. x2 + u1 – v1 = 100
x1 + x2 + u2 – v2 = 80
x2 + u3 = 40
x1 + 2x2 + u4 – v4 = 160
x1, x2, u1, u2, u3, u4, v1, v2, v3, v4  0
(a) Utilize o método gráfico para resolver o modelo.
(b) Interprete a terceira meta x2 + u3 = 40.
(c) Substitua x2 + u3 = 40 por x2 + u3  40. Qual é a nova
interpretação?
(d) Utilize o método gráfico para resolver o modelo com
a substituição prescrita em (c).
12-12. Considere o modelo de programação por meta:
Min P1v1 + P2v2 + P3v3 + P4(u4 + v4)
s.a. x2 + u1 – v1 = 100
x1 + x2 + u2 – v2 = 80
x1 – v3 = 40
x1 + 2x2 + u4 – v4 = 160
x1, x2, u1, u2, u3, u4, v1, v2, v3, v4  0
(a) Utilize o método gráfico para resolver o modelo.
(b) Interprete a terceira meta x1 – v3 = 40.
(c) Substitua x1 – v3 = 40 por x1 – v3  40. Qual é a nova
interpretação?
(d) Utilize o método gráfico para resolver o modelo com
a substituição prescrita em (c).
CD12-31
12-13. Considere o seguinte programa da meta:
Min P1u2 + P2v1 + P3u3
s.t. x1 + x2 + u1 – v1 = 80
x1 + u2 – v2 = 80
x2 + u3  45
x1, x2, u1, v1, u2, v2, u3  0
(a) Resolva-o por meio do método gráfico.
(b) A primeira prioridade da meta foi alcançada?
(c) E a segunda e terceira?
Observação: no caso de erro para menos ou erro pa-
ra mais, identifique os valores numéricos reais das
violações.
12-14. A empresa de transporte Al opera armazéns e distribui
mercadorias para o comércio varejista. A Al tem armazéns
em cinco locais diferentes e tem quatro clientes varejistas.
Na Tabela 12.10, são apresentados os custos de transporte
por unidade, a demanda e os custos de operacionalização
dos armazéns. Todos os armazéns têm capacidade ilimita-
da. A Al gostaria de decidir quais armazéns devem ser
mantidos em funcionamento e quais devem ser fechados.
A heurística aberta gananciosa para fazer isso consiste em
abrir o armazém mais lucrativo e continuar a fazer isso
contanto que seja lucrativo.
(a) Utilize a heurística aberta gananciosa para resolver es-
se modelo. Quais armazéns devem ficar abertos?
(b) Quanto é economizado?
12-15. Há seis trabalhos a serem processados nas duas máquinas
(cortar e moer). Cada trabalho deve passar pela máquina
de corte antes de ser processado na máquina de moer. As-
suma que a seqüência em que os trabalhos são processa-
dos é igual nas duas máquinas.
A Tabela 12.11 mostra o tempo (em horas) requerido
para terminar um trabalho em cada máquina. O objetivo é
programar os trabalhos de modo que o tempo requerido
para terminar todos os trabalhos seja minimizado.
(a) Quantas alternativas você deve comparar para uma
enumeração completa?
(b) Quanto tempo é necessário para concluir todos os tra-
balhos se os trabalhos fossem processados em ordem
crescente do tempo total de processamento?
Observação: uma figura como a Figura 12.7 pode ser
útil. Nessa aplicação, mantenha todas as tarefas atri-
buídas à máquina 1 em uma linha e aquelas atribuídas
à máquina 2 em uma segunda linha.
12-16. Utilize o AHP para ajudar Mick Mott a escolher a univer-
sidade em que ele deve se formar. Ele tem duas universi-
dades que ofereceram bolsas de estudo (Harvard e Stan-
ford) e determinou que há quatro critérios (valor da bolsa
de estudos, prestígio, custo de vida, qualidade da cidade)
que são importantes para ele. Veja a Figura 12.31, que
apresenta os seguintes dados:
CD12-32 Tomada de Decisão em Administração com Planilhas Eletrônicas

Tabela 12.10 A gerência requer um mínimo de 15% de mistura prove-

niente de cada mina.
Revendedor
Custo fixo do armazém (a) Descubra o custo mínimo da mistura.
Armazém A B C D em funcionamento (b) Se o custo não for tão importante quanto a brancura e
a absorvência, descubra a mistura que se aproximará o
1 5 4 1 6 31 máximo possível das especificações do cliente. Qual é
2 9 7 3 5 35 o custo dessa mistura?
3 8 1 7 4 20
12-18. A CD’s.com é um revendedor de músicas pela Internet.
4 4 3 6 2 29 Ela está tentando maximizar a receita antes de sua IPO. A
5 6 3 5 2 38 empresa decidiu fazer isso por meio de uma grande cam-
panha publicitária em Denver, centro das operações da
Demanda 10 15 6 5 empresa. O diretor de marketing acredita que a empresa
será capaz de aumentar a receita tendo como alvo o grupo
Tabela 12.11 de clientes adolescentes em primeiro lugar, em seguida, o
grupo com cerca de 20 anos e, por fim, o grupo com cerca
Tempo requerido para de 30 anos de idade. As três maiores estações de rádio em
os trabalhos (horas) Denver forneceram ao diretor as informações sobre as
Máquina A B C D E F pesquisas mais recentes feitas sobre o perfil do ouvinte,
mostradas na Tabela 12.13.
Cortar 3 4 2 1 5 3
A empresa gostaria de alcançar 35 mil adolescentes, 28
Moer 2 5 2 1 3 4
Total 5 9 4 2 8 7 mil com cerca de 20 anos e 20 mil com cerca de 30 anos.
(a) Encontre a solução de custo mínimo que atenda ape-
nas à meta do ouvinte adolescente.
(b) Encontre a solução de custo mínimo que atenda à me-
ta para adolescentes, mais a meta do grupo de ouvin-
tes com cerca de 20 anos.
(c) Encontre a solução de custo mínimo que atenda à me-
ta de todos os três grupos de ouvintes.
(d) Qual é o custo das partes (a), (b) e (c)?
Figura 12.31
Tabela 12.12
(a) Quais são as avaliações médias para o critério “Pres-
tígio”? Mina Brancura Absorvência Custo/Tonelada
(b) Quais são as ponderações médias para cada critério?
A 67,1 175 50
(c) Em que universidade você recomendaria que o Mick B 68,3 410 110
estudasse no início do próximo ano letivo?
C 67,7 180 95
12-17. A Wyoming Bentonite Inc. tem três depósitos de extração
de bentonita para produção de caixas de areia para gatos. A
bentonita é uma substância parecida com argila encontra- Tabela 12.13
da na região central do estado do Wyoming com boas pro-
priedades de absorção. As três minas operadas pela Wyo- EXPOSIÇÃO
ming Bentonite têm características um pouco diferentes Faixa dos Faixa dos Custo/
quanto à bentonita, determinadas pelo teor de cálcio e só- Estação Adolescentes 20 anos 30 anos mínimo
dio. O aumento de cálcio resulta em uma cor mais branca,
enquanto o aumento de sódio leva a uma melhor absorvên- KFOX 1,300 1,610 1,042 US$ 157
cia. O cliente está preocupado com o custo, a absorvência KDOG 1,537 1,236 1,389 US$ 136
e a brancura. A especificação do cliente para brancura está KKAT 535 637 957 US$ 117
entre 67,2 e 67,8. A especificação para absorvência está
entre 200 e 275. Na Tabela 12.12, são apresentadas carac-
terísticas da bentonita provenientes de cada mina.
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-33

Tabela 12.14
Para
1 2 3 4 5 6 7 8
DE 1 17 15 9 9 6 3 1
2 9 13 2 13 4 5 11
3 17 1 5 6 4 6 8
4 4 10 16 2 4 3 15
5 3 14 13 6 2 8 16
6 15 5 16 9 4 6 5
7 13 4 4 11 7 14 6
8 5 5 9 2 6 9 9

12-19. Uma empresa de entrega de cervejas tem uma rota com Tabela 12.15
sete entregas a serem feitas. Essa rota se origina na cerve-
jaria (local 1). Assuma que cada entrega consuma cinco Tempo
minutos. Na Tabela 12.14, é apresentado o tempo de via- Atividade Predecessores (semanas) Funcionários
gem entre dois pontos. Assuma que o caminhão pode fa-
I – 6 6
zer um máximo de quatro entregas.
II – 4 3
(a) Utilize o algoritmo ganancioso para determinar a rota III – 2 3
que minimizaria o tempo de percurso para todos os se- IV III 2 3
te locais de entrega (obviamente, isso incluirá uma V III 2 3
viagem de retorno à cervejaria para pegar as três últi- VI V 8 5
mas entregas).
VII VI 1 3
(b) Se um caminhão maior pudesse ser adquirido de mo- VIII I, II, IV, VII 4 4
do que as cinco entregas fossem concluídas antes de
retornar à cervejaria, como o tempo mínimo do per-
curso seria modificado? Tabela 12.16
(c) Uma solução mais apropriada poderia ser obtida com Para trabalho
um algoritmo diferente?
12-20. Carol tem um projeto a ser concluído para um novo reven- 1 2 3 4
dedor na Internet. Ela determinou o número de desenvol- 0 50 29 35 42
vedores necessários para implementar cada atividade no Do trabalho 1 15 54 36
projeto e a precedência das atividades (veja a Tabela 2 36 24 42
12.15). 3 34 27 37
Utilize a heurística de suavização de carga de trabalho 4 48 55 58
para reduzir o uso de pessoal no projeto.
12-21. Considere o tempo de preparação para as máquinas NC na 12-22. Uma empresa de produção de componentes eletrônicos
Stamped Metal Parts Inc. Há quatro trabalhos a serem fei- monta alarmes de segurança para o mercado de segurança
tos, e cada trabalho exigirá tempos diferentes de prepara- residencial. Ela produz três sistemas – o Guard Dog, o
ção, dependendo do trabalho que foi previamente realizado Home Guard e o topo de linha Terminator III. A monta-
(veja a Tabela 12.16). A razão para haver diferentes tempos gem do Guard Dog leva 1,5 hora por unidade. O Home
de preparação está relacionada com as ferramentas e ao Guard requer duas horas de montagem, e o Terminador III
corte de matérias-primas que são carregadas na máquina exige 2,5 horas para a montagem. O número total de horas
para cada trabalho. O trabalho zero representa o ponto ini- disponíveis de produção é 240. A lucratividade do Guard
cial da máquina descarregada e é a partida para o trabalho. Dog é US$ 320, do Home Guard é US$ 320 e do Termina-
Utilize o algoritmo ganancioso para minimizar o tem- tor III é US$ 350. A equipe de vendas previu que as ven-
po total de preparação para os quatro trabalhos. das da semana seguinte serão de 60 unidades de cada pro-
CD12-34 Tomada de Decisão em Administração com Planilhas Eletrônicas

duto. A gerência determinou várias metas que são igual-
mente importantes à empresa:
1. Produzir 60 unidades de cada produto.
2. Utilizar todas as horas disponíveis de montagem.
3. Gerar lucros de pelo menos US$ 3.600.
(a) Utilizando essas classificações, encontre as melhores
decisões de combinação de lojas de acordo com o al-
goritmo AHP.
(b) Avalie a consistência do Bob ao classificar as alterna-
tivas.

Formule e resolva o problema de programação por meta. Tabela 12.17

12-23. O gerente de marketing de uma nova churrascaria na cida- Retorno sobre investimento
de de Odessa, Texas, determinou que é necessária uma
SS MO IS
campanha publicitária para aumentar as vendas. O pro-
prietário da churrascaria e o gerente de marketing deter- SS 1 4 7
minaram que um orçamento de US$ 75.000 seria o máxi- MO 0,25 1 5
mo que poderia ser gasto para alavancar o lucro da chur- IS 0,142857 0,2 1
rascaria. A Permian Eats é uma revista local para restau-
rantes em que seria ideal publicar anúncios da churrasca-
ria. A Permian Eats comercializará um anúncio de página Tabela 12.18
inteira por US$ 1.000 e a exposição do anúncio é estima-
Funcionários
da em 60.000. A KOIL, a estação local de TV, comerciali-
zará anúncios com 30 segundos por US$ 6.000 e estima- SS MO IS
se que cada anúncio abranja 600 mil exposições. O geren-
te gostaria de veicular pelo menos cinco anúncios televi- SS 1 0,25 0,333333
sivos e dez anúncios na revista. Ele também gostaria de MO 4 1 0,5
gastar menos que seu orçamento para assegurar que have- IS 3 2 1
rá fundos disponíveis para outras mídias alternativas se a
campanha publicitária não produzir os resultados espera- 12-25. Há três alternativas disponíveis para a aquisição de servi-
dos. Ele tem as seguintes metas: ços financeiros para que a expansão do inventário da
1. Exposições de pelo menos 35.000.000. Gert’s suporte novas lojas na área de Chicago (veja o pro-
2. Gastar menos que US$ 60.000. blema 12-24). Todos os fornecedores apresentam vanta-
gens diferentes quanto às condições de crédito e serviço
(a) Crie um modelo de planilha para atender a essas metas.
de atendimento ao cliente. Bob classificou os dois crité-
(b) Comente os resultados. rios (ver as Tabelas 12.19 e 12.20).
12-24. Gert’s Sports Emporium é um revendedor de materiais es- Utilize o AHP para determinar uma única fonte de servi-
portivos que cresce rapidamente na costa leste americana. ços financeiros para a Gert’s.
Bob, o proprietário da Gert’s, obteve uma quantidade re- 12-26. Bob, o proprietário da Gert’s Sports Emporium (veja o
lativamente grande de capital para abrir novas lojas na problema 12-24), está procurando fornecedores de equi-
área de Chicago. Ele pode construir três tipos de lojas. A pamentos de hóquei. Ele espera um grande salto nas ven-
contrução de superlojas (superstores – SS) custa US$ 3,5 das devido a condições inesperadamente frias do inverno.
milhões e emprega 150 pessoas. As lojas em shoppings Ele determinou que a decisão sobre um fornecedor será
abertos (mall outlet – MO) custam US$ 1,7 milhão e em- baseada na capacidade de fazer entregas de maneira opor-
pregam 65 pessoas e uma loja na Internet (Internet store – tuna, isto é, sempre que necessárias. Ele tem quatro op-
IS) custaria US$ 1 milhão à Gert’s e empregaria 50 pes- ções de fornecedores e desenvolveu as classificações mos-
soas. A Gert’s tem um capital de US$ 10 milhões para in- tradas na Tabela 12.21.
vestir nas lojas, mas também tem várias metas a serem sa-
(a) Utilize o AHP para selecionar os dois melhores forne-
tisfeitas com o investimento desse capital. A Gert’s gosta-
cedores.
ria de maximizar o retorno do investimento e maximizar o
número de funcionários. O retorno esperado de uma su- (b) Bob é consistente com suas classificações?
perloja, de uma loja em shopping e de uma loja virtual é Tabela 12.19
de US$ 1 milhão, US$ 500.000 e US$ 1 milhão, respecti-
vamente. O número de cada tipo de loja é limitado pela Condições de crédito
demografia da região. O número máximo de lojas virtuais Grandes Pequenos Bucks
é um, o número máximo de superlojas é três e de lojas em bancos bancos R Us
shoppings abertos está limitado a sete. Avalie a situação
utilizando o AHP. Assuma que há dois critérios, retorno Grandes bancos 1 2 0,143
do investimento e funcionários. Bob classificou os dois Pequenos bancos 0,5 1 6,000
critérios utilizando a escala apresentada no texto. Os re- Bucks R Us 7 0,167 1
sultados são mostrados nas Tabelas 12.17 e 12.18.
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-35

Tabela 12.20 Tabela 12.21

Serviço de atendimento ao cliente Sticks Puck's Rinks Suavização
Supply House Inc. de Metas
Grandes Pequenos Bucks
bancos bancos R Us Sticks Supply 1 3 1 0,5
Puck’s House 0,333333333 1 0,5 0,25
Grandes bancos 1 0,25 1 Rinks Inc. 1 2 1 1
Pequenos bancos 4 1 0,5
Suavização
Bucks R Us 1 2 1 de metas 2 4 1 1

Problemas de aplicação
12-27. Dado o exercício de agendamento de trabalho no Proble-
ma 12-15, você pode verificar alguma melhoria quando
aplica o seguinte método heurístico?
Passo 1: Listar as atividades junto com o tempo de pro-
cessamento nas máquinas de corte e de moa-
gem.
Passo 2: Encontrar o trabalho com o menor tempo de
processamento. Se o menor tempo estiver na
máquina de corte, agende o trabalho logo que
possível; se estiver na máquina de moagem,
agende-o para o mais tarde possível. Resolva
os empates arbitrariamente.
Passo 3: Eliminar o trabalho da lista.
Passo 4: Repetir os passos 2 e 3 até que todos trabalhos
tenham sido agendados.
12-28. A cidade de Chicago está considerando dois projetos. Ca-
da unidade do Projeto A custa US$ 400, gera 20 empregos
e tem um retorno de US$ 200 no final do ano. Cada unida-
de do Projeto B custa US$ 600, gera 40 empregos e têm
um retorno de US$ 200. O planejador da cidade gostaria
de alcançar as seguintes metas:
1. Manter o gasto total em US$ 2400 ou abaixo.
2. Gerar pelo menos 120 empregos.
3. Maximizar o retorno ao final do ano.
Suponha que as três metas estejam em ordem decrescente
de prioridade absoluta.
(a) Utilize a análise gráfica para encontrar o número óti-
mo de unidades a envolver em cada projeto.
(b) As metas são alcançadas? Se não, quais são os erros
para menos?
(c) Qual é o gasto liquido e o número de empregos ge-
rado?
12-29. Uma outra heurística para resolver o Problema 12-14 é
chamada de fechamento ganancioso (greedy close). Nes-
se caso, iniciamos com todos os armazéns abertos e fe-
chamos aquele mais lucrativo. Continuamos a fazer isso
até que não possamos fechar um armazém sem perder
dinheiro.
(a) Resolva o Problema 12-14 utilizando o fechamento
ganancioso.
(b) Essa solução é melhor ou pior do que aquela do Pro-
blema 12-14?
12-30. Utilize o AHP para ajudar Marlene Wyatt a selecionar seu
primeiro trabalho fora da faculdade. Ela tem três ofertas
de emprego (uma em Bakersfield, Califórnia; uma em
Fresno, Califórnia; e outra em Oildale, Califórnia) e deter-
minou que há três critérios (salário, estabilidade de em-
prego, qualidade da cidade) que são importantes. Veja os
dados apresentados na Figura 12.32.
(a) Quais são as classificações médias para o critério “Sa-
lário”?
(b) Marlene é consistente? Se não, como você poderia
modificar as comparações de modo que ela seja con-
sistente?
(c) Quais são as ponderações médias para cada critério?
(d) Qual trabalho você recomendaria a Marlene?
12-31. Utilize o AHP para ajudar Charles Shumway a escolher
seu novo automóvel. Ele restringiu sua escolha a três op-
ções (Buick Regal, Toyota Camry e Honda Accord) e de-
terminou que há três critérios (preço, classificação de
confiabilidade pela Consumer Reports’, velocidade/de-
sempenho) que lhe são importantes. Veja os dados da Fi-
gura 12.33.
(a) Quais são as classificações médias para o critério de
“Velocidade”?
(b) Quais são as ponderações médias para cada critério?
(c) Charles é consistente com suas ponderações?
(d) Que carro você recomendaria que Charles comprasse?
Figura 12.32
CD12-36 Tomada de Decisão em Administração com Planilhas Eletrônicas
Figura 12.33
12-32. Suponha que você tenha sido contratado pelo conselho mu-
nicipal da cidade de Peoria, Illinois, para ajudá-los a alcan-
çar as metas globais de impostos. O conselho tem quatro
metas (listadas em ordem descendente de prioridade):
1. Limitar a carga de impostos para pessoas com renda
mais baixa (lower income – LI) chegando a US$ 1,75
bilhão.
2. Manter a taxa de imposto de propriedade abaixo de 1%.
3. Minimizar a “fuga para os subúrbios” mantendo o peso
do imposto das pessoas com renda média (middle inco-
me – MI) menor do que US$ 2,5 bilhões e mantendo o
peso dos impostos das pessoas com renda alta (high in-
come – HI) menor do que US$ 1,25 bilhão.
4. Tentar se possível eliminar o imposto sobre as vendas
de alimentos e medicamentos.
Atualmente, a cidade arrecada cinco tipos de im-
postos: (a) imposto sobre propriedades (onde p é a taxa
de imposto), (b) imposto sobre as vendas de itens gerais
exceto alimentos, medicamentos e bens duráveis (onde
s é a taxa geral do imposto sobre vendas), (c) imposto
sobre vendas de alimentos e medicamentos (f é a taxa
de imposto sobre as vendas de alimentos e medicamen-
tos), (d) imposto sobre vendas de bens duráveis (d é a
taxa de imposto sobre vendas de bens duráveis) e (e)
imposto sobre a gasolina (g é a taxa de imposto sobre a
gasolina).
Na Figura 12.34, são fornecidas informações re-
levantes sobre a receita gerada por uma alíquota de
1% de imposto (e na pasta de trabalho PEO-
RIA.XLS) para cada tipo de imposto por categoria
de rendimento das pessoas (por exemplo, LI, MI ou
HI). Assuma que 10% das pessoas na categoria LI
vai mudar da cidade para os subúrbios se o peso do
imposto passar de US$ 1,75 bilhão, 20% das pessoas
na categoria MI se mudará da cidade para os subúr-
bios se o peso do imposto passar de US$ 2,5 bilhões
e 30% das pessoas na categoria HI se mudará da ci-
<---Tipo de Imposto--->
NÍVEL RENDA Propried. Vendas Alimen. & Medic. Duráveis Gasolina
Baixo
Médio
Alto
Figura 12.34
dade para os subúrbios se o peso do imposto passar
de US$ 1,25 bilhão. Você deve trabalhar dentro das
seguintes restrições “fortes”:
• A alíquota de imposto sobre vendas deve estar entre
1% e 3%, como indicado no quadro “A teoria na prá-
tica”.
• A receita total obtida deve exceder o nível atual de
US$ 6,0 bilhões.
• O total de imposto na categoria de pessoas HI não
pode passar de US$ 1,5 bilhão.
• O peso do imposto na categoria de pessoas MI não
pode passar de US$ 3,0 bilhões.
(a) Utilize a programação por meta para formular esse
modelo.
(b) Quais são as metas que você pode satisfazer?
(c) E aquelas que você não pode satisfazer?
12-33. O Instituto de Artes de Chicago contratou um escultor pa-
ra criar o design e construir uma grande escultura em aço
inoxidável com altura de 25 m dentro do edifício. Uma vez
que a ventilação é inadequada para máquinas de solda com
motores, os trabalhadores devem utilizar grandes máqui-
nas de solda baseadas em eletricidade, fornecida pelo cir-
cuito elétrico do edifício. Cada máquina de solda requer
100 KW de potência e é operada por uma pessoa. O escul-
tor identificou as partes estruturais da escultura que devem
ser concluídas na ordem especificada por questões de se-
gurança. A escultura retrata uma mãe e um pai que obser-
vam seu filho construindo uma casa de árvore. A árvore su-
porta uma escada de corda, um balanço de pneu e o chão
da casa de árvore com o menino sobre ele. A mãe, o pai e
a árvore podem ser soldados simultaneamente. Depois que
a árvore é concluída, o balanço de pneu, a escada de corda
e o chão da casa da árvore podem ser adicionados. Quando
o chão da casa da árvore for soldado com sucesso à árvore,
o menino pode ser então soldado ao chão. O número de
soldadores e o tempo requerido para cada parte dessa es-
cultura são mostrados na Tabela 12.22.
O Instituto de Artes tem uma quantidade limitada de
eletricidade que pode ser fornecida à equipe, especificada
por um contrato com a companhia elétrica. Não mais do
que 900 KW pode ser fornecido ao projeto. O projeto de-
ve ser concluído em nove semanas para assegurar que a
escultura esteja pronta para o festival sobre Picasso.
Utilize a heurística de suavização da carga de traba-
lho para assegurar que o projeto possa ser concluído sem
exceder a capacidade elétrica do Instituto de Artes.
A tabela indica os milhões de
dólares obtidos à taxa de 1%.
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística
12-34. Utilize os dados do Problema 12-21. Há uma solução
mais adequada para minimizar o tempo de preparação na
Stamped Metal Parts?
12-35. Utilize os dados do Problema 12-24 (Gert’s Sports Empo-
rium).
(a) Utilize a programação linear para determinar a combi-
nação de lojas que apresenta o retorno máximo.
(b) Determine a combinação de lojas que emprega a
maioria das pessoas.
(c) Modifique o programa linear para minimizar o erro pa-
ra menos das duas metas de maneira proporcional.
12-36. Uma refinaria produz diesel, gasolina e asfalto. A lucrati-
vidade do diesel é US$ 3 por barril. A lucratividade da ga-
solina é US$ 2,50 por barril e a lucratividade do asfalto é
US$ 3,50 por barril. A refinaria quer maximizar o lucro,
mas também deve manter um ambiente de trabalho segu-
ro. A experiência passada mostrou que a produção de as-
falto tem uma “perda de trabalho”, devido a acidentes,
duas vezes maior que a produção de diesel ou gasolina. A
Estudo de caso – Sleepmore Mattress Manufacturing: consolidação da planta fabril1
W. Carl Lerhos, assistente especial para o presidente da Sleepmore Mat-
tress Manufacturing, foi designado para analisar a proposta de consoli-
dação de indústrias em três locais diferentes. A empresa havia incorpo-
rado recentemente várias novas instalações como resultado da aquisição
de um concorrente; algumas estavam em mercados atualmente servidos
pelas instalações existentes. O presidente sabia que a economia em dó-
lares seria relativamente fácil de calcular para cada local, mas os fatores
qualitativos e as compensações entre elas eram mais difíceis de julgar.
Essa era a área em que ele queria que Carl investisse a maior parte do
tempo.
Os objetivos mais importantes ao avaliar um plano de consolidação
para os locais eram maximizar os benefícios da produção, maximizar os
benefícios das vendas e maximizar os benefícios financeiros diretos. Esses
objetivos seriam compostos pela exploração de 13 atributos (ver Quadro
1). Depois de gastar algum tempo examinando cada atributo individual-
mente, Carl e os outros diretores da Sleepmore classificaram esses atribu-
tos em maior e menor importância. Eles também adicionaram os melhores
e piores resultados possíveis para cada atributo (ver Quadro 2).
Medidas
Em cada caso, foi designado um número de 0 a 10 para os atributos,
com 10 como o melhor resultado possível mencionado no Quadro 2.
Cada local estava em uma região diferente e cada um dos três locais
envolvia uma decisão entre duas alternativas – consolidar as plantas
nesse local ou mantê-las separadas. As plantas produziam linhas de
produto diferentes. Os Quadros 3 a 5 oferecem breves descrições e as
1
Esse caso deve ser utilizado como base para discussão em classe, em vez de
ilustrar qualquer tratamento eficaz ou ineficaz de uma situação administrati-
va. © 1990, Darden Graduate Business School Foundation. Visualize os resu-
mos dos casos da Darden na World Wide Web no endereço www.darden.vir-
ginia.edu/publishing.
CD12-37
taxa de acidentes para a produção de asfalto é 0,2 aciden-
te por milhão de barris produzidos. A produção da refina-
ria está limitada a 10 milhões de barris para o mês seguin-
te. Cinco milhões de barris de gasolina devem ser produ-
zidos para um cliente importante.
Formule o problema da programação por metas para
minimizar o erro para menos tanto das metas de lucro co-
mo de segurança.
Tabela 12.22
Atividade Tempo (semanas) Funcionários
Árvore 3 6
Pai 2 3
Mãe 1 3
Escada de corda 1 3
Chão 2 6
Menino 4 5
Balanço de pneu 2 3
classificações das três oportunidades em potencial de consolidação.
Somente as alternativas “consolidadas” são classificadas; em outras
palavras, cada alternativa “separada” tem uma classificação-padrão de
5 para cada atributo. Portanto, os atributos são realmente classificados
como relativos à situação atual, em que as plantas estão separadas. As
classificações que Carl atribuiu basearam-se em avaliações subjetivas
depois de conversar com os gerentes e visitar os locais.
Ponderações
Depois que Carl classificou cada atributo em sua escala de 0 a 10, ele
enfrentou uma tarefa mais difícil ao decidir sobre a importância de um
atributo se comparado com outro. Os atributos quantitativos seriam re-
lativamente fáceis de ponderar. Ele sabia que a taxa de desconto da
empresa (15%), junto com o planejamento futuro (10 anos), poderia
ajudar nesse aspecto, mas ele não estava muito seguro sobre como fa-
zer isso.
Ele tinha ouvido o presidente dizer: “Quanto menor for a planta,
mais fácil será sua administração. Se pudermos melhorar a partir de
um tamanho de planta de US$ 35 milhões para um tamanho de US$
15 milhões, o ganho seria equivalente a uma economia em relação ao
estado atual de US$ 1 milhão por ano em custos operacionais”. Carl
fez um cálculo mental rápido que sugeriu que a ponderação do tama-
nho da planta seria metade da ponderação da economia anual – ele te-
ria de verificar isso posteriormente.
A indústria de produção de colchões exigia uma grande quantida-
de de espaço. Se uma consolidação exigisse uma nova planta ou uma
adição significativa, o trabalho de se mudar, bem como as despesas
não-previstas, acarretaria em fatores negativos adicionais. O custo se-
ria de US$ 25/m2 para cada metro quadrado adicional de espaço.
Para ajudá-lo a atribuir ponderações aos outros atributos, aqueles
mais qualitativos, Carl pegou suas notas de uma reunião com a partici-
pação do presidente, do vice-presidente de operações e do vice-presi-
CD12-38 Tomada de Decisão em Administração com Planilhas Eletrônicas

dente de recursos humanos. Nessa reunião, que aconteceu no momento Quadro 1 Hierarquia de objetivos
da aquisição, foi gerada a lista mostrada no Quadro 2 e se discutiu im-
I. Maximizar os benefícios de produção
portância relativa de cada atributo.
A. Mão-de-obra
O vice-presidente de recursos humanos disse o seguinte: “A mão-
B. Eficácia do gerenciamento
de-obra é a parte mais importante, porque ela determina a qualidade dos
1. Disponibilidade de talento
principais indicadores de desempenho da planta (como qualidade, lu- 2. Tamanho da planta
cratividade, etc.). A experiência mostrou que uma boa força de trabalho C. Capacidade de operação
pode superar muitos obstáculos, mas uma força de trabalho ruim gera 1. Complexidade de uma linha de produtos
problemas. Na verdade, eu penso que a mão-de-obra é duas vezes mais 2. Treinamento
importante que a média de todos os 13 atributos”. Carl pensou sobre o 3. Estabilidade da produção
contexto dessa afirmação. Ele verificou se o vice-presidente tinha em D. Instalações
mente os intervalos no Quadro 2: melhorar as relações de trabalho, pas- 1. Leiaute
sando de “criar uma união hostil” para “eliminar uma união hostil”, era 2. Local
duas vezes mais valioso do que melhorar o atributo médio de pior para 3. Disponibilidade de espaço
melhor. II. Maximizar os benefícios das vendas
O vice-presidente de operações concordou com o comentário so- A. Maximizar o serviço
bre a mão-de-obra e disse: “Acho que a qualidade e o serviço, embora B. Maximizar a qualidade
um pouco menos importantes que a mão-de-obra, são os dois outros III. Maximizar os benefícios financeiros diretos
atributos que merecem um peso maior do que a média”. A. Minimizar o custo inicial
B. Maximizar o benefício em progresso

Quadro 2 Treze atributos selecionados na avaliação da consolidação

Classificação Atributo Pior resultado Melhor resultado

1 Mão-de-obra Criar uma união hostil Eliminar uma união hostil

2 Qualidade Qualidade drasticamente pior Qualidade altamente aprimorada
3 Serviço Perda de negócios Aumento de negócios
4 Economias anuais Perder US$ 1 milhão/ano Economizar US$ 1 milhão/ano
5 Custo inicial Custo de US$ 5 milhões Economizar US$ 5 milhões
6 Talento da gerência Gerência gravemente piorada Gerência altamente aprimorada
7 Tamanho da planta (vendas) Criar uma planta de US$ 35 Criar uma planta de US$ 15
milhões milhões
8 Local da planta Mudar de uma área rural para Mudar da cidade para uma área
a cidade rural
9 Complexidade da linha Aumentada para toda a linha Reduzir a linha de produtos
de produto de produtos
10 Disponibilidade de espaço É necessária uma nova instalação Economizar uma expansão de
(10.000 m2) 10.000 m2
11 Estabilidade da produção Aumentar a variabilidade da demanda Diminuir a variabilidade
12 Treinamento Treinar toda a nova mão-de-obra Pequeno número de demissões –
nenhum treinamento novo
13 Leiaute da planta Criar um leiaute ruim Eliminar o leiaute ruim
 Capítulo 12 • Tomada de decisão com múltiplos objetivos e heurística CD12-39

Quadro 3 Consolidação avaliada no local 1: incorporar a planta 1A à planta 1B

Classificação
Atributo Planta 1A Planta 1B para combinação
Mão-de-obra Ruim Excelente 9; grande aprimoramento
Qualidade Ruim Boa 9
Serviço Ruim Bom 8
Economias anuais Alta sobrecarga Eficiente; a incorporação –
economiza US$ 1 milhão/ano
Custo inicial Economiza US$ 1 milhão N/D –
se a planta for incorporada
Talento da gerência Ruim Excelente 9
Tamanho da planta US$ 3 milhões US$ 27 milhões –
(vendas)
Local da planta Cidade grande Área rural 10
Complexidade da 2 linhas de produtos 2 linhas separadas 0; muito complexa
linha de mais importantes
produtos
Disponibilidade N/D Tem espaço extra; não –
de espaço necessita de expansão
Estabilidade Demanda pequena/incerteza Demanda alta/baixa incerteza 7; reduz variação
da produção alta
Treinamento N/D Mão-de-obra extra disponível 7,5
Leiaute da planta Planta congestionada Bem organizada 7,5

Quadro 4 Consolidação avaliada no local 2: colocar a planta 2B na planta 2A

Classificação
Atributo Planta 2A Planta 2B para combinação
Mão-de-obra Média Ruim 6
Qualidade Média Média 5
Serviço Média Bom 7
Economias anuais Subcapacidade; a incorporação Subcapacidade –
economiza US$ 500 mil
Custo inicial N/D Economiza US$ 1 milhão se –
a planta for incorporada
Talento da gerência Média Bom 6
Tamanho da planta US$ 5 milhões US$ 10 milhões –
(vendas)
Local da planta Parque industrial Cidade grande 6
Complexidade da 2 linhas de produtos 2 linhas diferentes 0; muito complexa
linha de produtos mais importantes
Disponibilidade Há necessidade de adicionar Nenhum espaço –
de espaço 4,645 m2 se incorporada
Estabilidade da Demanda pequena/ Demanda anticíclica 9; reduz variação
produção incerteza alta
Treinamento Mão-de-obra subutilizada Mão-de-obra subutilizada 9; pequeno número
de demissões
Leiaute da planta Excelente Ruim 9
CD12-40 Tomada de Decisão em Administração com Planilhas Eletrônicas

Quadro 5 Consolidação avaliada no local 3: Coloque a planta 3B na planta 3A

Classificação
Atributo Planta A Planta B para combinação
Mão-de-obra Abaixo da média Bom 3; pode perder mão-de-obra da
Planta 3A
Qualidade Média Média 5
Serviço Média Bom 6
Economias anuais Subcapacidade; a incorporação Eficiente –
economiza US$ 200 mil/ano
Custo inicial N/D Economiza US$ 2 milhões –
se incorporada
Talento da gerência Média Abaixo da média 6
Tamanho da US$ 9 milhões US$ 18 milhões –
planta (vendas)
Local da planta Cidade grande Subúrbios 4
Complexidade da 2 linhas de produtos 2 linhas diferentes 0; muito complexo
linha de mais importantes
produtos
Disponibilidade São necessários 2,787 m2 Nenhum espaço –
de espaço se incorporada
Estabilidade Demanda pequena/ Demanda incerta 6; demanda não anticíclica
da produção incerteza alta
Treinamento Mão-de-obra subutilizada N/D 3; algumas pessoas se demitem
Leiaute da planta Bom Restringida 7

Parece haver um consenso de que a gerência era o próximo atri-
buto qualitativo mais importante porque, como ocorre com a mão-
de-obra, a gerência determinaria o destino da planta. Mas, diferente-
mente da mão-de-obra, a gerência poderia ser facilmente modifica-
da. Globalmente, esse atributo foi considerado “médio” em termos
de importância.
O presidente então defendeu a consideração do local da planta:
“O local da planta é tão importante quanto o tamanho da planta. Nos-
sos dados mostram que plantas em áreas mais congestionadas (cida-
des) tendem a ser menos lucrativas que as plantas nas áreas rurais”.
O vice-presidente de operações afirmou o seguinte: “Como a
Sleepmore produz uma linha de produtos diferentes em plantas dife-
rentes, as consolidações poderiam aumentar drasticamente a comple-
xidade e reduzir a eficiência a longo prazo. Proponho que a complexi-
dade dessa linha de produtos seja considerada o próximo atributo qua-
litativo mais importante, não obstante o fato de que sua importância é
cerca de dois terços da importância do talento da gerência, em minha
opinião”.
Para os três atributos remanescentes – estabilidade, treinamento
e leiaute – foi acordado que eles teriam efeitos individuais relativa-
mente pequenos, mas seus efeitos combinados foram considerados
cerca de duas vezes maior que a complexidade da linha de produtos.
A tarefa mais difícil foi avaliar as compensações que a gerên-
cia estaria disposta a fazer entre os fatores quantitativos e qualitati-
vos. Nesse sentido, o presidente expressou a Carl as dificuldades da
escolha entre uma situação com uma economia de custo inicial de
US$ 7 milhões e uma situação no qual uma união hostil tenha sido
eliminada.
Decisão
Carl tinha de descobrir uma maneira efetiva de combinar todas essas
informações tanto sobre os fatores quantitativos como qualitativos pa-
ra tomar decisões sobre a consolidação em cada um dos três locais.
Ele gostaria de saber o grau de sensibilidade que suas decisões teriam
às ponderações que ele designou para cada atributo.

Referências
Colin Benjamin, Ike Ehie, and Yildirim Omurtag, “Planning Fa-
cilities at the University of Missouri–Rolla”, Interfaces, 22,
no. 4 (1992): 95–105.
Abraham Charnes and William Cooper, Management Models and
Industrial Applications of Linear Programming (New York:
John Wiley, 1961).
William Gavett, “Three Heuristic Rules for Sequencing Jobs to a
Single Production Facility”, Management Science, 11 (1965):
B166–76.
Richard Mojena, Thomas Vollmann and Yoshihiro Okamoto, “On
Predicting Computational Time of a Branch-and-Bound Algo-
rithm for the Assignment of Facilities”, Decision Sciences, 7,
no. 4 (1976): 856–867.
Thomas Saaty, The Analytic Hierarchy Process (New York: Mc-
Graw-Hill, 1988).
Andres Weintraub and Bruce Bare, “New Issues in Forest Land
Management from an Operations Research Perspective, ” In-
terfaces, 26, no. 5 (1996): 9–25.