Você está na página 1de 299

Investigac

ao Operacional | Slides

Maria Ant
onia Carravilla, Jos
e Fernando Oliveira
19 de Setembro de 2016
U.Porto | FEUP | DEGI

Modelac
ao | sem vari
aveis inteiras

Modelac
ao | sem vari
aveis inteiras Objetivos de Aprendizagem

Dada uma descric


ao de um problema ser capaz de:
identificar as Vari
aveis de Decis
ao;
identificar a Func
ao Objetivo e escrev
e-la como combinac
ao linear das Vari
aveis
de Decis
ao;
identificar as Restric
oes e escrev
e-las como combinaco
es lineares das Vari
aveis de
Decis
ao.
Dada uma formulac
ao para um problema conhecido, ser capaz de descrever qual o
significado de uma vari
avel de decis
ao, de uma restric
ao ou de um grupo de restric
oes.

Modelac
ao Os 10 princpios

1. N
ao criar um modelo complicado quando um simples
e suficiente.
2. N
ao moldar o problema `
a t
ecnica de resoluc
ao que se pretende utilizar.
3. Resolver rigorosamente o modelo encontrado. S
o assim se saber
a se hipot
eticas
inconsist
encias das soluc
oes do modelo com a realidade t
em origem no pr
oprio
modelo ou n
ao.
4. Validar os modelos antes de os implementar.
5. O modelo n
ao deve ser tomado literalmente pois nunca
e a realidade.
6. O modelo n
ao deve ser forcado a fazer, ou ser criticado por n
ao fazer, aquilo para
que n
ao foi criado.
7. N
ao sobrestimar os modelos.
8. Uma das principais vantagens da modelizac
ao
e o processo de desenvolvimento do
modelo.
9. Um modelo n
ao pode ser melhor do que a informac
ao usada na sua construc
ao.
10. Os modelos nunca substituem os agentes de decis
ao.

Modelos de Programac
ao Linear

Passo I Determinar, no problema concreto, aquilo que


e fixo e n
ao pode ser
alterado (dados) e aquilo que se pode decidir (vari
aveis de decis
ao).
Representar as vari
aveis de decis
ao de uma forma alg
ebrica.
Passo II Identificar o(s) objetivo(s) do problema e represent
a-lo(s) como
func
ao linear das vari
aveis de decis
ao, que deve ser minimizada ou
maximizada.
Passo III Identificar as restric
oes do problema, isto
e, aquilo que limita a regi
ao
das soluc
oes admissveis, e represent
a-las como igualdades ou
desigualdades, func
oes lineares das vari
aveis de decis
ao..

Empresa Cremes & Loc


oes
A empresa Cremes & Loco
es pretende a conhecer a quantidade e produzir por dia de
tr
es tipos de loc
oes que vai lancar no mercado por forma a maximizar o lucro di
ario.
As loc
oes s
ao produzidas com base num ingrediente super secreto, SSS e esse
ingrediente
e manipulado por funcion
arios especializados.
Na tabela seguinte est
a representado o n
umero de horas de m
ao-de-obra e tamb
em o
n
umero de quilos de SSS necess
arios para produzir um quilo de cada tipo de loc
ao.
Loc
ao
Horas de m
ao-de-obra por kg de loc
ao produzido
Quilos de SSS por kg de loc
ao produzido
Lucro, em e/ por kg de loc
ao produzido

A
7
4
4

B
3
4
2

C
6
5
3

A empresa disp
oe diariamente de 150 horas de trabalho dos funcion
arios especializados
na manipulac
ao do SSS para produzir as loc
oes. O fornecimento de SSS est
a limitado
a 200 kg/dia.
Formule o modelo de programac
ao linear que permitiria resolver este problema.
Considere agora que a Cremes & Loco
es conhece a procura m
axima de cada uma
das loc
oes, e esta
e de 5kg para as loc
oes A e C e de 10kg para a loc
ao B.
Acrescente estas restric
oes ao modelo anterior.
Considere agora que a quantidade produzida de cada uma das loco
es deve ser
sempre igual ou superior a 25% da quantidade total de loco
es produzida.
Acrescente estas restric
oes ao modelo anterior.
5

Empresa Cremes & Loc


oes Resoluc
ao I
Passo I Vari
aveis de decis
ao
O que a empresa desconhece e pretende determinar, s
ao as quantidades a produzir
diariamente de cada uma das loc
oes. Essas s
ao portanto as vari
aveis de decis
ao.
Representando-as algebricamente:
xA
xB
xC

n
umero de kg da loc
ao A a produzir diariamente
n
umero de kg da loc
ao B a produzir diariamente
n
umero de kg da loc
ao C a produzir diariamente

Passo II Determinac
ao da Func
ao Objetivo
O objetivo do problema
e maximizar o lucro total, isto
e, o lucro obtido com a
produc
ao das tr
es loco
es. Como cada quilo da loc
ao A d
a um lucro de 4, da loc
ao B
d
a um lucro de 2 e da loc
ao C d
a um lucro de 3, a func
ao objetivo ser
a:
max LUCRO = 4xA + 2xB + 3xC

Empresa Cremes & Loc


oes Resoluc
ao II
Passo III Restric
oes do problema
As restric
oes do problema impedem a empresa de produzir quantidades infinitas das
tr
es loc
oes e portanto de ter um lucro infinito. Neste problema a empresa tem
restric
oes na mat
eria-prima, pois s
o recebe diariamente 200kg de SSS e tamb
em s
o
disp
oe de 150 horas de trabalho de m
ao-e-obra especializada..
Ent
ao, a m
ao-de-obra necess
aria para produzir um quilo da loc
ao A (7 horas), vezes o
n
umero de quilos da loc
ao A a produzir (xA ), mais a m
ao-de-obra necess
aria para
produzir um quilo da loc
ao B (3 horas), vezes o n
umero de quilos da loc
ao B a
produzir (xB ), mais a m
ao-de-obra necess
aria para produzir um quilo da loc
ao C (6
horas), vezes o n
umero de quilos da loc
ao C a produzir (xC ), n
ao poder
ao exceder as
150 horas, isto
e:
7xA + 3xB + 6xC 150
Aplicando o mesmo raciocnio `
a mat
eria-prima, obter-se-ia:
4xA + 4xB + 5xC 200
Para completar o modelo ser
a necess
ario representar algebricamente que n
ao poder
ao
ser produzidas quantidades negativas, isto
e:
xA 0, xB 0, xC 0

Empresa Cremes & Loc


oes Resoluc
ao III

Modelo Completo:
Vari
aveis de Decis
ao:
xA
xB
xC

kg de loc
ao A a produzir diariamente
kg de loc
ao B a produzir diariamente
kg de loc
ao C a produzir diariamente

Objectivo: maximizar Lucro


4xA + 2xB + 3xC

sujeito a:
7xA + 3xB + 6xC 150
4xA + 4xB + 5xC 200
xA , xB , xC 0

Empresa Cremes & Loc


oes Resoluc
ao IV

Objectivo: maximizar Lucro


4xA + 2xB + 3xC

sujeito a:
7xA + 3xB + 6xC
4xA + 4xB + 5xC
1xA + 0xB + 0xC
0xA + 1xB + 0xC
0xA + 0xB + 1xC
0, 75xA 0, 25xB 0, 25xC
0, 25xA + 0, 75xB 0, 25xC
0, 25xA 0, 25xB + 0, 75xC
xA , xB , xC

150
200
10
15
10
0
0
0
0

Diaz Coffee Company

A Diaz Coffee Company produz misturas a partir de tr


es tipos de caf
e em gr
ao (Brasil,
Col
ombia e Peru), que s
ao depois vendidas nos retalhistas. Suponha que cada um dos
tipos de gr
ao tem um determinado aroma e intensidade e que a empresa tem um
funcion
ario especializado que
e capaz de avaliar essas caractersticas numa escala de 1
a 100. As caractersticas dos gr
aos est
ao representadas na tabela seguinte.

Gr
ao
Brasil
Col
ombia
Peru

Aroma (nvel)
75
60
85

Intensidade (nvel)
15
20
18

Custo/kg
0,5
0,6
0,7

Quantidade disponvel (kg)


1 500
1 200
2 000

A empresa gostaria de criar uma mistura que tivesse um aroma de, pelo menos, 78
pontos e uma intensidade de, pelo menos, 16 pontos. A quantidade disponvel de cada
um dos tipos de gr
ao
e no entanto limitada.
Os custos por quilograma j
a s
ao conhecidos e est
ao representados na tabela, e a
empresa pretende produzir 4.000 kg de mistura ao menor custo possvel.

10

Problema da refinaria de petr


oleo

Uma refinaria de petr


oleo pode misturar 3 tipos de crude para produzir gasolina
normal e super.
A refinaria de petr
oleo tem duas unidades de mistura, uma unidade mais antiga e uma
outra mais recente.
Para cada ciclo de produc
ao, a unidade mais antiga usa 5 barris de crude A, 7 barris
de crude B e 2 barris de crude C para produzir 9 tanques de gasolina normal e 7 de
gasolina super. A unidade de mistura mais recente usa, para cada ciclo de produc
ao, 3
barris de crude A, 9 de B e 4 de C para produzir 5 tanques de gasolina normal e 9 de
super.
Devido a contratos j
a assinados, a refinaria tem que produzir, pelo menos, 500
tanques de gasolina normal e 300 tanques de gasolina super.
Para essa produc
ao existem em armaz
em 1500 barris de crude A, 1900 de crude B e
1000 de crude C.
Por cada tanque de gasolina normal produzida, a refinaria ganha 6 unidades
monet
arias e, por tanque de super, 9 unidades monet
arias.
Pretende-se saber como utilizar as reservas de crude e as duas unidades de mistura, de
forma a maximizar o lucro da refinaria respeitando os compromissos assumidos.

11

Problema da refinaria de petr


oleo Resoluc
ao
Vari
aveis de decis
ao
x1 no de ciclos de produc
ao a realizar na unidade antiga
x2 no de ciclos de produc
ao a realizar na unidade nova
Restric
oes

Crude disponvel:

Contratos assinados:

gasto na

gasto na

unidade antiga

unidade nova

z}|{
5x1
7x1
2x1

Tipo A:
Tipo B:
Tipo C:

+
+
+

z}|{
3x2
9x2
4x2

produzido na

produzido na

unidade antiga

unidade nova

z}|{
9x1
7x1
x1

Gasolina normal:
Gasolina super:

... e ainda:

+
+
,

z}|{
5x2
9x2
x2

1500
1900
1000

500
300
0

Func
ao objetivo
gasolina normal

z
max LUCRO = 6 (

gasolina super

}|

9
|{z}
no de tanques

x1
|{z}

{ z
}|
{
5x2 ) + 9 (7x1 + 9x2 )
|{z}

unidade nova

no de ciclos

por ciclo

{z

unidade antiga

}
12

Arrendamento de espaco num armaz


em

Uma empresa planeia arrendar espaco num armaz


em. As necessidades de espaco da
empresa para os pr
oximos 3 meses assim como os custos de arrendamento por metro
quadrado e por durac
ao do perodo de arrendamento est
ao representados nas tabelas
seguintes.
Construa um modelo que permita determinar o esquema de contratos a assinar, por
forma a satisfazer as necessidades de espaco o mais economicamente possvel.
M
es
1
2
3

Necessidade
de espaco
1500 m2
500 m2
5000 m2

Perodo de
arrendamento
1 m
es
2 meses
3 meses

Custo
28 e/m2
40 e/m2
50 e/m2

13

Arrendamento de espaco num armaz


em Resoluc
ao
Indices
mu m M, M = {1, M}, m
es;
p p P, P = {1, P}, perodo de arrendamento.
Dados
cp custo de arrendar 1m2 por um perodo p (meses);
Nm necessidade de espaco (em m2 ) no m
es m.
Vari
aveis de decis
ao
xmp quantidade de espaco (em m2 ) a arrendar com incio no m
es m
durante p meses.
Restrico
es
Espaco total arrendado em cada m
es deve ser maior ou igual ao espaco necess
ario.
Func
ao objetivo Minimizar o custo total.
Objetivo:
min
Sujeito a:
M
es 1:
M
es 2:
M
es 3:
m,p

28(x11 + x21 + x31 ) + 40(x12 + x22 ) + 50(x13 )


x11 + x12 + x13
x12 + x13 + x21 + x22
x13 + x22 + x31
xmp

1500
500
5000
0

14

Modelac
ao | sem vari
aveis inteiras
Exerccios

15

Carga de Navio

Uma companhia de navegac


ao possui um navio com 3 por
oes de carga (`
a proa, `
a r
e e ao centro) possuindo os
limites de capacidade (em tonelagem e em volume) apresentados na tabela seguinte:

'"

.,,1

Por
ao
ElO
ElO

Proa
Centro
R
e

Tonelagem
(toneladas)
2000
3200
1800

Volume
(m3 )
100000
140000
80000

` empresa s
A
ao oferecidas as cargas, cujo peso, volume por tonelada e lucro est
ao representados na tabela seguinte,
cada uma das quais pode ser aceite parcial ou totalmente:

Carga
A
B
C

Peso
(toneladas)
7000
6500
4000

Volume por tonelada


m3
( tonelada
)
60
50
25

Lucro
euro
( tonelada
)
20
24
16

A fim de preservar o equilbrio do navio, a proporc


ao entre o peso em cada por
ao e o volume respectivo deve ser a
mesma que entre os correspondentes limites de capacidade. Admita que em cada por
ao podem ser transportadas
partes de cargas diferentes. Pretende-se maximizar o lucro da empresa, relativo `
a utilizac
ao deste navio.
Construa um modelo de Programac
ao Linear para o problema apresentado.

16

Planeamento Integrado da Produc


ao e Distribuic
ao de Duas F
abricas
Duas f
abricas, A e B, situadas em locais diferentes, produzem os produtos P1 e P2 . A f
abrica A tem 2 m
aquinas e
a f
abrica B tamb
em. Todas as m
aquinas fazem os produtos P1 e P2 . Depois de fabricados, os produtos podem ser
transportados entre as f
abricas de modo a satisfazer a procura.
O n
umero de unidades produzidas por dia, os custos de produc
ao e de transporte, a procura dos produtos e o
n
umero de dias em que cada m
aquina est
a disponvel por m
es est
ao indicados nas tabelas seguintes.1
1. Apresente um modelo geral (usando vari
aveis indexadas e coeficientes convenientes a definir) que permita
determinar os esquemas de utilizac
ao das m
aquinas em cada f
abrica e de distribuic
ao dos produtos entre as
f
abricas a que corresponda um custo total mnimo.
2. Concretize o modelo para o caso descrito.
F
abrica
M
aquina
Disponibilidade (dias)
Produto
Produc
ao por dia
Custo por dia
Produto
F
abrica
Procura
Custo de transporte
por unidade

A
AA1
30
P1
40
150

B
AA2
28

P2
35
120

P1
42
200

BB1
26
P2
50
320

P1
41
100

BB2
28
P2
37
120

P1
A
1000
A B = 4

P1
42
150

P2
45
170

P2
B
800
B A = 4

A
1700
A B = 3

B
1100
B A = 4

1
A informac
ao relativa `
a m
aquina AA1 l
e-se da seguinte forma: no perodo em causa a m
aquina AA1 est
a
disponvel durante 30 dias. Se a m
aquina AA1 produzir apenas pecas P1 , ent
ao poder
a produzir at
e 40 pecas por
dia. Se produzir apenas pecas P2 , ent
ao poder
a produzir at
e 35 pecas por dia.
17

Escalonamento de Recursos Humanos

Foi feito um estudo do n


umero de atendimentos em cada dia da semana no posto de
correios dos Aliados (Porto) e concluiu-se que
e necess
ario um n
umero diferente de
trabalhadores a tempo inteiro em cada dia, tal como se representa na tabela seguinte.

Segunda
Terca
Quarta
Quinta
Sexta
S
abado
Domingo

No mnimo de funcion
arios
17
13
16
19
14
16
11

As leis laborais imp


oem que cada funcion
ario trabalhe 5 dias consecutivos, seguidos de
2 dias de folga. Por exemplo, um funcion
ario que trabalhe de Segunda a Sexta ter
a
que estar de folga nos dois dias seguintes (S
abado e Domingo).
O posto de correios pretende pois satisfazer as necessidades di
arias de trabalhadores
recorrendo apenas a funcion
arios a tempo inteiro. O objetivo
e minimizar o n
umero de
funcion
arios a tempo inteiro.

18

Escalonamento de Recursos Humanos I


Parte 2
Suponha agora que as necessidades de m
ao-de-obra podem ser satisfeitas quer por funcion
arios a
tempo inteiro quer por funcion
arios a tempo parcial. Um funcion
ario a tempo inteiro trabalha 8
horas por dia, enquanto um funcion
ario a tempo parcial trabalha 4 horas por dia, mantendo-se as
restantes condic
oes laborais. No entanto, acordos com os sindicatos limitam a 25% do total a
percentagem de funcion
arios a tempo parcial. Sabendo que o custo hor
ario de um funcion
ario a
tempo inteiro
e de 15 euros e o de um funcion
ario a tempo parcial
e de 10 euros, determine o
escalonamento dos funcion
arios que minimiza o custo global com recursos humanos.
Parte 3
Considere agora que cada funcion
ario pode fazer um dia de trabalho extraordin
ario por semana.
Por exemplo, a um funcion
ario cujo turno de trabalho seja de Segunda a Sexta pode ser pedido
que trabalhe ainda no S
abado. A remunerac
ao por hora de trabalho extraordin
ario corresponde a
150% da remunerac
ao base.
Parte 4
Considere novamente a situac
ao inicial, das necessidades de m
ao-de-obra serem satisfeitas
unicamente por funcion
arios a tempo inteiro. Considere ainda que o posto de correios tem 25
funcion
arios contratados. Determine o escalonamento que maximiza o n
umero de folgas em dias
de fim-de-semana (S
abado ou Domingo).
Parte 5
Apesar de se ter minimizado o n
umero de trabalhadores com turnos de fim-de-semana, esses
turnos existem e t
em que ser cobertos. Como resolveria o problema de, ao longo do ano, garantir
uma escala justa e equilibrada para todos os trabalhadores em termos de dias de fim-de-semana
ocupados?

19

Programac
ao Linear

Programac
ao Linear Objetivos de Aprendizagem

Ser capaz de representar graficamente o espaco de soluc


oes de um problema de
programac
ao linear com duas vari
aveis de decis
ao.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, a
soluc
ao
otima do problema de programac
ao linear.
Reconhecer e utilizar os conceitos de soluc
ao admissvel e n
ao admissvel, soluc
ao

otima, restric
ao redundante e restric
ao ativa.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
intervalo de variac
ao de um coeficiente da func
ao objetivo que n
ao implique
alterac
ao na soluc
ao
otima do problema (embora implique alterac
ao no seu valor).
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
preco-sombra de uma restric
ao: qual o aumento do valor da func
ao objetivo se
houver um aumento de uma unidade num recurso?
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
intervalo de variac
ao do termo independente de uma restric
ao que n
ao implique
alterac
ao no preco-sombra.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, quando
a soluc
ao
otima n
ao
eu
nica.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, os
efeitos e impactos na soluc
ao o
tima de introduzir num problema novas restrico
es
ou retirar restrico
es j
a existentes.
20

Planeamento da produc
ao na BA
A f
abrica de Avintes da Barbosa e Almeida (BA) produz embalagens de vidro por
injec
ao.
A BA ganhou recentemente dois novos clientes e pretende afetar essa produc
ao a um
dos seus fornos. As encomendas foram de garrafas de Vinho do Porto Ruby Sandeman
(75cl) e de garrafas de litro de azeite Oliveira da Serra. Ambos os clientes compram
todas as garrafas que a BA conseguir fabricar.
Devido a diferencas produtivas (n
umero de cavidades e diferentes tempos de ciclo),
cada lote de garrafas de Vinho do Porto demora 50 horas a produzir, enquanto que
para produzir cada lote de garrafas de azeite apenas s
ao necess
arias 30 horas. Para
satisfazer estas duas encomendas o forno tem disponveis 2 000 horas de laborac
ao.
Por outro lado, h
a restric
oes na capacidade de armazenamento das garrafas, antes da
sua expedic
ao. O armaz
em tem 300m3 de espaco disponvel e cada lote de garrafas de
vinho do Porto ocupa 6m3 de espaco no armaz
em, enquanto cada lote de garrafas de
azeite ocupa 5m3 .
Finalmente h
a ainda a considerar a capacidade disponvel no setor de decorac
ao (e.g.
etiquetas, embalagem), que
e de 200 horas de laborac
ao. As garrafas de vinho do
Porto gastam 3 horas por lote e as garrafas de azeite 5 horas por lote.
A Barbosa e Almeida quer maximizar o lucro proveniente destas duas encomendas,
sabendo que o lucro por lote
e de 50e e 60e, respetivamente.
21

Planeamento da produc
ao na BA
Modelo de Programac
ao Linear
Vari
aveis de decis
ao
xVP N
umero de lotes de garrafas de Vinho do Porto Ruby Sandeman a produzir;
xA N
umero de lotes de garrafas de Azeite Oliveira da Serra a produzir

Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,

Z = 50xVP + 60xA
30xA
5xA
5xA
xA

2000
300
200
0

(tempo no forno)
(espaco no armaz
em)
(capacidade na decorac
ao)

Neste modelo n
ao vamos exigir que xVP e xA sejam inteiros.

22

Planeamento da produc
ao na BA
Resoluc
ao gr
afica Restricoes ativas e restricoes redundantes

80
XA

50XVP + 30XA = 2000

70

Sentido de crescimento de Z

(restrio ativa)

Z = 50XVP + 60XA

60

Tempo no Forno

50

Espao no armazm
Capacidade na decorao

40

Funo objectivo
30

XVP =0
20

3XVP + 5XA = 200


(restrio ativa)

10

0
0

10

XA=0

20

30

40

50

60

70

6XVP + 5XA = 300

(restrio redundante)

80
XVP

23

Planeamento da produc
ao na BA
Resoluc
ao gr
afica Solucao otima

XA

80

70

50XVP + 30XA = 2000


60

50

50xVP +
3xVP +

30xA =
5xA =

2000
200

xVP =
xA =

25
25

= 25, x = 25, Z =
Soluc
ao
otima: xVP
A
2750

40

Z = 50XVP + 60XA

30

20

Soluc
ao
otima est
a necessariamente num
v
ertice:

3XVP + 5XA = 200

10

0
0

10

20

30

40

50

60

70

6XVP + 5XA = 300


Tempo no Forno

Capacidade na decorao

Espao no armazm

Funo objectivo

80
XVP

Nenhuma soluc
ao dentro regi
ao admissvel
pode ser
otima porque o lucro pode crescer
aumentando xVP , xA ou ambas.

24

Planeamento da produc
ao na BA
Resoluc
ao gr
afica Relacao entre vertices e solucoes basicas

XA

80

X = (XVP; XA; Folgaf; Folgaa; Folgad)


A = (0; 40; 800; 100; 0)

70

B = (0; 0; 2000; 300; 200)

50XVP + 30XA = 2000


60

C = (40; 0; 0; 60; 80)


D = (25; 25; 0; 25; 0)

50

U = (10; 20; 900; 140; 70)


W = (50; 0; -500; 0; 50)

40 A

Z = 50XVP + 60XA

30

D
U

20

Aos v
ertices da regi
ao admissvel correspondem soluc
oes b
asicas admissveis. Aos outros v
ertices correspondem soluc
oes b
asicas
n
ao admissveis (vari
aveis com valor negativo). Aos pontos dentro da regi
ao admissvel correspondem soluco
es n
ao b
asicas.
A, B, C e D s
ao soluc
oes b
asicas
admissveis;
W
e uma soluc
ao b
asica n
ao
admissvel;
U n
ao
e uma soluc
ao b
asica.

3XVP + 5XA = 200

10

0B
0

10

20

30

40

50

60

70

6XVP + 5XA = 300


Tempo no forno

Capacidade na decorao

Espao no armazm

Funo objectivo

80
XVP

Quando se passa de um v
ertice para um
outro v
ertice adjacente, uma s
o vari
avel
b
asica passa a n
ao b
asica e uma s
o vari
avel
n
ao b
asica passa a b
asica.

25

Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Coeficientes da funcao objetivo)

80
XA
70

50XVP + 30XA = 2000

A soluc
ao
otima mant
em-se inalterada enquanto o declive da func
ao objetivo se mantiver entre o declive da restric
ao tempo no
forno e o declive da restric
ao capacidade
na decorac
ao.

60

50

40

Z = 50XVP + 60XA

30

20

3XVP + 5XA = 200

10

0
0

10

20

30

40

50

60

70

6XVP + 5XA = 300


Tempo no Forno

Capacidade na decorao

Espao no armazm

Funo objectivo

80
XVP

Variando o declive da func


ao objetivo o

otimo salta de v
ertice em v
ertice.

26

Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Coeficientes da funcao objetivo)

Para determinar a variac


ao do coeficiente de xVP
(CVP xVP + 60xA ) podemos escrever as duas restrico
es ativas na soluc
ao
otima com coeficiente 60 em
xA :
100xVP +

60xA

4000

(tempo no forno)

36xVP +

60xA

2400

(cap. na decorac
ao)

Os coeficientes de xVP nas duas restric


oes ser
ao ent
ao os valores limite para variac
ao de CVP para que
a soluc
ao
otima n
ao mude.
36

CVP

100

36

CVP (valor inicial 50)

100

Para determinar a variac


ao do coeficiente de xA
(50xVP + CA xA ) podemos escrever as duas restrico
es ativas na soluc
ao
otima com coeficiente 50 em
xVP :
50xVP +

30xA

2000

50xVP +

250 x
3 A

100000
3

(tempo no forno)
(cap. na decorac
ao)

Os coeficientes de xA nas duas restric


oes ser
ao ent
ao os valores limite para variac
ao de CA para que a
soluc
ao
otima n
ao mude.
30

CA

30

CA (valor inicial 60)

250
3
250
3

Em ambas as situaco
es apresentadas, o valor inicial dos coeficientes est
a dentro do intervalo de variac
ao calculado.
Se os valores iniciais n
ao estivessem contidos nesse intervalo, que intervalos deviam ser considerados?

27

Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Termos independentes das restricoes)
80
XA
70

50XVP + 30XA = b1
60

50

Restric
ao ativa com outro declive:
40

valor
otimo altera-se mas n
ao muda de
v
ertice.

Z = 50XVP + 60XA

30

20

3XVP + 5XA = 200

10

Alterar o termo independente (lado direito)


de uma restric
ao implica que esta se
desloque para uma posic
ao paralela.

0
0

10

20

30

40

50

60

70

6XVP + 5XA = 300


Tempo no Forno

Capacidade na decorao

Espao no armazm

Funo objectivo

80
XVP

28

Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Termos independentes das restricoes)
Diminuir o n
umero de horas disponveis no tempo no forno (b1 ) far
a a
reta deslocar-se para baixo.
Se a reta passar para al
em do ponto de
intersec
ao das restrico
escapacidade na
decorac
ao e xVP 0

Aumentar o n
umero de horas disponveis no tempo no forno (b1 ) far
a a
reta deslocar-se para cima.
Se a reta passar para al
em do ponto
de intersec
ao das restrico
es espaco no
armaz
em e capacidade na decorac
ao:

(xVP , xA ) = (0, 40)

(xVP , xA ) = (33 13 , 20)

a restric
ao capacidade na decorac
ao
deixa de ser uma restric
ao ativa e o v
ertice
otimo muda.

a restric
ao tempo no forno deixa de
ser uma restric
ao ativa e o v
ertice
otimo
muda.

(0, 40) reta tempo no forno


50 0 + 30 40 = b1
b1 = 1200

(33 31 , 20) reta tempo no forno


50 33 31 + 30 20 = b1
b1 = 2266 23

O v
ertice
otimo manter-se-`
a enquanto:
1200 b1 2266

2
3
29

Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Precos sombra2 das restricoes)
O preco sombra associado a uma restric
ao representa a variac
ao do valor da func
ao objetivo por
unidade de aumento no valor do lado direito da restric
ao.
Exemplo:
Quanto aumentaria o lucro se se pud
essemos ter mais uma hora de laborac
ao no setor da
decorac
ao (passar de 200 para 201 o lado direito da respetiva restric
ao)?


50xVP +
3xVP +

30xA =
5xA =

2000
201

xVP =
xA =

13
24 16
5
25 16

13
5
= 24 16
Soluc
ao
otima: xVP
, xA = 25 16
, Z = 2759 38

Passando o n
umero de horas de laborac
ao no setor de decorac
ao de 200 para 201 o valor da
soluc
ao o
tima passou de 2750 para 2759 38 . Portanto a restric
ao capacidade na decorac
ao tem um
preco sombra de 9 38 .
O preco sombra s
o se mant
em enquanto n
ao houver alterac
ao do v
ertice
otimo
(ver an
alise de sensibilidade aos lados direitos das restrico
es)
O preco sombra de uma restric
ao n
ao ativa
e zero.
2

Ao preco sombra tamb


em se d
a o nome de vari
aveis duais, valores marginais ou valores pi.
30

Programac
ao Linear
Resoluc
ao gr
afica | solucao otima unica

x2

Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,

Z = 4 x1 + x2

Z = 4x1 + x2
x2
2x2
x2

8 12

16

20

x1 - x2 = 2

2
8
0

x1 + 2x2 = 8
x1

31

Programac
ao Linear
Resoluc
ao gr
afica | solucao otima nao unica

x2

- 34
Z = x1 - x2 - 30

- 32
- 30

Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,

- 28

Z = x1 x2 30
x2
2x2
x2

x1 - x2 = 2

2
8
0

x1 + 2x2 = 8
x1

32

Programac
ao Linear
Resoluc
ao gr
afica | solucao ilimitada

x2

Z = 4 x1 + x2

Objetivo:
max
Sujeito a:
x1
x1 ,

Z = 4x1 + x2
x2
x2

8 12

16

20

x1 - x2 = 2

2
0

x1

33

Programac
ao Linear
Resoluc
ao gr
afica | sem solucao admissvel

x2
x1 - x2 = -5

Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,

Z
x2
2x2
x2

5
8
0

x1 + 2x2 = 8
x1

34

Modelos de Programac
ao Matem
atica que consideraremos
Todas as vari
aveis de decis
ao tomam valores em R ou em Z.
H
a s
o um objetivo a maximizar ou a minimizar.
O objetivo e as restric
oes s
ao lineares.

Modelos de Programac
ao Linear se todas as vari
aveis de decis
ao tomam valores
em R.
Modelos de Programac
ao Inteira se todas as vari
aveis de decis
ao tomam valores
em Z.
Modelos de Programac
ao Mista se todas as vari
aveis de decis
ao tomam valores
em Z ou em R.

35

Programac
ao Matem
atica: Conceitos Fundamentais

Func
ao objetivo
min

f (X )

Restric
oes
gi (X )

i{1,...,m}

hi (X )

=0

i{1,...,l}

Conjunto admissvel Todos os pontos S Rn que satisfazem as restrico


es.
Soluc
ao admissvel Qualquer X S
e soluc
ao admissvel.
Soluc
ao
otima X S
f (X )

f (X )

X S

36

Programac
ao Matem
atica
Exemplo de Programac
ao N
ao-Linear

Curvas de nvel de f

x2

Objetivo:
min
Sujeito a:

(3, 6)

f (X ) = (x1 3)2 + (x2 6)2


x12 + x2 0
x1 + x2 6
x1 , x2 0

Conjunto
admissvel

Soluc
ao
otima: x1 = 23 , x2 = 29 , f =

9
2

x1
x 2 = x 12

x1 + x 2 = 6

37

Programac
ao Linear
Exerccios

38

Rio Negro

Considere o seguinte modelo de programac


ao linear:
Objetivo:
max
Sujeito a:
0, 7xA
xA
xA ,

Z =

2xA

+4xB 280

+3, 5xB
+xB
xB

210
100
0

Resolva o problema graficamente e determine a soluc


ao o
tima e o seu valor.

39

Problema PL I

Considere o problema de Programac


ao
Linear representado na figura, onde a
func
ao objetivo
e F = x1 + x2 . O domnio das soluc
ao admissveis
e a zona a
sombreado e a soluc
ao
optima est
a no
ponto G.
Suponha que o coeficiente de x1 na
func
ao objetivo se mant
em constante e
igual a 1.
1. Qual o valor m
aximo que o
coeficiente de x2 na func
ao
objetivo pode tomar para que a
soluc
ao G permaneca
otima?
2. E qual o valor mnimo?

40

Problema PL II

X2
5
4
3
2
P

1
1

X1

Considere o problema de Programac


ao
Linear representado na figura, onde a
func
ao objetivo
e F = 3x1 + 4x2 . O domnio das soluc
oes admissveis
e a zona
a sombreado e a soluc
ao
optima est
a no
ponto P.
Suponha que o coeficiente de x2 na
func
ao objetivo se mant
em constante e
igual a 4.
1. Qual o valor m
aximo que o
coeficiente de x1 na func
ao
objetivo pode tomar, para que a
soluc
ao P permaneca
optima?
2. E qual o valor mnimo?

41

Problema PL1

Considere o problema de programac


ao
linear (PL) representado graficamente
na figura, onde a zona a sombreado corresponde ao espaco das soluc
oes admissveis e onde o objetivo
e:

X2
6

!"#!$%&'

min X1 + X2

!$%('

(!
! "#

%('

)$
1

X1

0
-1

0
-1

1. Qual
e a soluc
ao
otima do
problema?
2. Quais das seguintes inequaco
es
s
ao restrico
es ativas na soluc
ao

otima?
2.1
2.2
2.3
2.4
2.5

X2 3;
2X1 + 3X2 3;
2X1 + 3X2 3;
X1 0;
X2 0.

42

Problema PL2

Considere o problema de programac


ao
linear (PL) representado graficamente
na figura, onde a zona a sombreado corresponde ao espaco de soluc
oes admissveis, e onde o objetivo
e:

X2
6

#$!#"'(!"(

min X1 X2

#"'&(

&#
# $%

'&(

"

!"
1

X1

0
-1

0
-1

1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao

otima?
2.1
2.2
2.3
2.4
2.5

X2 3;
2X1 + 3X2 3;
2X1 + 3X2 3;
X1 0;
X2 0.

43

Problema PL3

Considere o problema de programac


ao
linear (PL) representado graficamente
na figura, onde a zona a sombreado corresponde ao espaco de soluc
oes admissveis, e onde o objetivo
e:

X2

!"#!$%&'&

max X1 + X2

!$%$()&

!"%"&

$!
" #*
!

$ %+

&

0
-1

X1
0

-1

1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao

otima?
2.1
2.2
2.3
2.4
2.5

X1 0;
X2 0;
X1 1;
X2 2, 5;
2X1 + 3X2 8.

44

Problema PL4

!"#!$%&#"&

Considere o problema de programac


ao
linear (PL) representado graficamente
na figura, onde a zona a sombreado corresponde ao espaco de soluc
oes admissveis, e onde o objetivo
e:

!$%$'(&

max X1 X2

X2
5

$!

" )*

!"%"&

!$ %

+&
X1

0
-1

0
-1

1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao

otima?
2.1
2.2
2.3
2.4
2.5

X1 0;
X2 0;
X1 1;
X2 2.5;
2X1 + 3X2 8.

45

Repare que . . .

a Soluc
ao Otima
est
a necessariamente (e pelo menos) num dos v
ertices do
Espaco das Soluc
oes Admissveis;

alterando o declive da Func


ao Objetivo a Soluc
ao Otima
salta de v
ertice em
v
ertice;
se o declive da Func
ao Objetivo for igual ao declive de uma Restric
ao Ativa ent
ao
h
ao
timos m
ultiplos;

alterando o declive de uma Restric


ao Ativa o valor da Soluc
ao Otima
muda mas
mant
em-se no mesmo v
ertice;
alterar o lado direito (termo independente) de uma restric
ao faz com que a
restric
ao se desloque para uma posic
ao paralela e pode implicar que a Soluc
ao

Otima
mude de v
ertice; como se relaciona essa mudanca com o conceito de Preco
Sombra?

46

Algoritmo Simplex

Algoritmo Simplex Objetivos de Aprendizagem


Capacidade de transformar qualquer problema de programac
ao linear para a forma
can
onica:
com vari
aveis n
ao negativas
substituindo cada vari
avel de decis
ao que possa tomar valores positivos ou negativos pela diferenca entre
duas vari
aveis de decis
ao auxiliares n
ao-negativas. Esta substituic
ao dever
a ser feita em todas as restric
oes e
tamb
em na func
ao objetivo.

com restrico
es de igualdade
transformando desigualdades em igualdades introduzindo vari
aveis de folga.

com termos independentes (coeficientes do lado direito das restric


oes) n
ao
negativos
multiplicando por -1 as equaco
es com termo independente negativo.

com uma vari


avel b
asica isolada em cada restric
ao
adicionando uma vari
avel artificial n
ao negativa a cada uma das restric
oes que n
ao tenha uma vari
avel
isolada e construir a func
ao objetivo com o Big M.

Capacidade de usar o Algoritmo Simplex em forma tabular para resolver o modelo de


programac
ao linear representado na Forma Can
onica, i.e.:
Capacidade de determinar uma soluc
ao b
asica admissvel para iniciar o Algoritmo
Simplex.
Capacidade de escrever o modelo de programac
ao linear na forma tabular.
Capacidade de usar o procedimento de melhoria incremental para passar de uma
soluc
ao para outra com um valor melhor da func
ao objetivo.
Capacidade de usar o crit
erio de paragem detectando que:

n
ao h
a soluc
ao admissvel;
a soluc
ao
e
otima;
h
a mais do que uma soluc
ao
otima;
a func
ao objetivo
e ilimitada na regi
ao admissvel.
47

http://www.cccblog.org/2012/08/20/the-algorithm-that-runs-the-world/

48

O Algoritmo Simplex
move-se de uma soluc
ao
admissvel para outra,
melhorando
em
cada
passo o valor da func
ao
objetivo e termina depois
de realizar um n
umero
finito de movimentos.

http://en.wikipedia.org/wiki/File:Simplex-method-3dimensions.png

49

Algoritmo Simplex um algoritmo para resoluc


ao de problemas de programac
ao linear

Duas caratersticas importantes do Algoritmo Simplex:


O Algoritmo Simplex
e robusto .
resolve qualquer problema de PL;
detecta restric
oes redundantes na formulac
ao do problema;
identifica os casos em que a regi
ao admissvel
e ilimitada;
resolve problemas com uma ou mais soluc
oes o
timas;

e capaz de, por si pr
oprio, de gerar uma soluc
ao admissvel;
permite verificar que o problema n
ao tem nenhuma soluc
ao
admissvel (problema impossvel).
Fornece muito mais informac
ao para al
em da soluc
ao
otima .
indica de que forma a soluc
ao
otima varia em func
ao dos dados
do problema;
fornece informac
ao relacionada com o Problema Dual do
problema que est
a a ser resolvido.

50

Planeamento da Produc
ao na BA
Modelo de Programac
ao Linear
Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,

Z = 50xVP + 60xA
30xA
5xA
5xA
xA

2000
300
200
0

(tempo no forno)
(espaco no armaz
em)
(capacidade do sector de decorac
ao)

Adicionando as vari
aveis de folga s1 , s2 and s3 :
Objetivo:
max 50xVP + 60xA
Sujeito a:
50xVP
+30xA
6xVP
+5xA
3xVP
+5xA
xVP ,
xA ,

+s1
+s2
s1 ,

s2 ,

+s3
s3

=
=
=

2000
300
200
0
51

XA

80

70

50XVP + 30XA = 2000

Objetivo:
max Z =

60

50xVP + 60xA

Sujeito a:
50xVP
+30xA
6xVP
+5xA
3xVP
+5xA
xVP ,
xA ,

50

Z = 50XVP + 60XA

40

+s1
+s2
s1 ,

s2 ,

+s3
s3

=
=
=

2000
300
200
0

30

20

10

3XVP + 5XA = 200

Soluc
ao b
asica (admissvel):

xVP
Vari
aveis n
ao b
asicas:
xA
(
Vari
aveis b
asicas:

s1
s2
s3

Z=0

10

20

30

40

50

60

6XVP + 5XA = 300

=0
=0
= 2000
= 300
= 200

70

80
XVP

Objetivo: maximizar Z ; escolher a


vari
avel com o coeficiente mais
positivo na func
ao objetivo: xA
s3
e a primeira vari
avel que se anula
quando xA cresce.
xA cresce de 0 a 40, o valor que
corresponde a s3 = 0; s1 e s2
mant
em-se 0

52

XA

80

70

Objetivo:
max Z =
=
=
Sujeito a:
32xVP
3xVP
3
5 xVP
xVP ,

50XVP + 30XA = 2000

50xVP
50xVP
2400

60

+60xA
+60(40 53 xVP 15 s3 )
+14xVP
12s3

50

Z = 50XVP + 60XA

40

30

+s1
+s2
+xA
xA ,

s1 ,

s2 ,

s1
s2
xA

=
=
=

800
100
40
0

20

10

3XVP + 5XA = 200

0
0

10

20

30

40

50

60

6XVP + 5XA = 300

Soluc
ao b
asica (admissvel):

xVP
Vari
aveis n
ao b
asicas:
s3
Vari
aveis b
asicas:

6s3
s3
+ 15 s3
s3

=0
=0
= 800
= 100
= 40

Z = 2400

70

80
XVP

Objetivo: maximizar Z ; escolher a


vari
avel com o coeficiente mais
positivo na func
ao objetivo: xVP
s1
e a primeira vari
avel que se anula
quando xVP cresce.
xVP cresce de 0 a 25, o valor que
corresponde a s1 = 0; xA e s2
mant
em-se 0

53

Objetivo:
max Z =
=
=

2400
2400
2750

+14xVP
12s3
1
s1 +
+14(25 32
7
16 s1 75
8 s3

3
16 s3 )

12s3
XA

80

70

50XVP + 30XA = 2000

Sujeito a:
xVP

60

1
+ 32
s1
3
32
s1

+s2

3
16
s3

25

7
16
s3

25

50

Z = 50XVP + 60XA

40

30

xVP ,

+xA
xA ,

3
s1
160
s1 ,

s2 ,

5
+ 16
s3
s3

25
0

20

10

Soluc
ao b
asica (admissvel):

s1
Vari
aveis n
ao b
asicas:
s3
(
Vari
aveis b
asicas:

x
VP
s
2
x
A

3XVP + 5XA = 200

0
0

=0
=0
= 25
= 25
= 25

10

20

30

40

50

60

6XVP + 5XA = 300

70

80
XVP

Esta soluc
ao
eo
tima porque um
aumento de s1 ou s3 reduc
ao de Z .

Z = 2750

54

Algoritmo Simplex Passos do Algoritmo


Soluc
ao b
asica admissvel (BAS) :
Identificar uma soluc
ao b
asica admissvel inicial.
TESTE DE OTIMALIDADE :
BAS
e soluc
ao
otima?3
Maximizac
ao se todos os custos marginais s
ao negativos ent
ao a soluc
ao
e

otima;
Minimizac
ao se todos os custos marginais s
ao positivos ent
ao a soluc
ao
e

otima.
Se BAS n
ao
e
otima ent
ao ITERAR.
ITERAR :
1. Escolher a vari
avel que entra na base.4
Maximizac
ao a vari
avel n
ao b
asica com o custo marginal mais
positivo.
Minimizac
ao a vari
avel n
ao b
asica com o custo marginal mais
negativo.
2. Escolher a vari
avel que sai da base.
dividir os termos independentes de todas as equaco
es pelos coeficientes
positivos da vari
avel que entra na base;
a vari
avel que sai da base ser
a a vari
avel b
asica da equac
ao com o quociente
mais baixo;
se todos o coeficientes da vari
avel que entra na base s
ao negativos ou nulos
ent
ao a soluc
ao
e ilimitada.

3. Manipular as linhas do quadro de forma a obter um coeficiente igual a


1 para o elemento pivot e zero para todos os outros elementos da
coluna, incluindo a func
ao objetivo.
4. Passar ao TESTE DE OTIMALIDADE
3
4

H
a soluc
oes
otimas alternativas quando, na soluc
ao
otima, uma vari
avel n
ao b
asica tem um custo marginal nulo.
Se h
a mais do que uma vari
avel que cumpre as condic
oes de entrada ent
ao escolher uma arbitrariamente.
55

Planeamento da Produc
ao na BA
Algoritmo Simplex

Objetivo:
max
Sujeito a:

Objetivo:
max
Sujeito a:

Z =

Z =

50xVP +

60xA

50xVP +
6xVP +
3xVP +
xVP ,

30xA
5xA
5xA
xA

50xVP +

60xA

50xVP +
6xVP +
3xVP +
xVP ,

30xA +
5xA +
5xA +
xA ,

2000
300
200
0

s1
s2
s1 ,

s2 ,

s3
s3

= 2000
= 300
= 200
0

56

xVP
50
6
3
50

s1
s2
s3
Z

s1

xVP
160
5

xA
0

0
1
0

s2
xA
Z

xVP
s2
xA
Z

xA
30
5
5
60


3
5

14

xVP
1
0
0
0

xA
0
0
1
0

s1
1
0
0
0

s1

s2
0
1
0
0

s3
0
0
1
0

2000
300
200
0

s2

s3

30
5

800

0
0
0

1
0
0

100
40
2400

s1
5
160
15
160
3
160
7
16

s2
0
1
0
0

1
5

12

s3
3
16
7
16
5
16
75
8

25
25
25
2750

xA entra na base porque


max(50, 60) = 60
s3 sai da base porque
, 300
, 200
) = 200
min( 2000
30
5
5
5

xVP entra na base porque


max(14) = 14
s1 sai da base porque
100 40
800
min( 800
160 , 3 , 3 ) = 150
5

Todos os valores na linha da


func
ao objectivo s
ao 0.
Soluc
ao
optima: (xVP , xA ) =

(25, 25) e Z = 2750


Qual o significado de s2 = 25
na soluc
ao o
tima?

57

Determinac
ao de uma base inicial admissvel

Uma condic
ao importante para o funcionamento do algoritmo simplex
ea
disponibilidade de uma soluc
ao b
asica inicial, na forma can
onica.
Por vezes essa soluc
ao b
asica inicial n
ao
e evidente, ou nem mesmo se sabe se
existe (pode n
ao existir nenhuma soluc
ao admissvel!).
Soluc
ao:
Tentativa e erro resolver sucessivamente o sistema em ordem a diferentes conjuntos
de vari
aveis, reduzi-lo `
a forma can
onica e ver se a soluc
ao resultante
e admissvel.
Utilizac
ao de vari
aveis artificiais.

58

Utilizac
ao de vari
aveis artificiais
max

Pn

j=1

cj xj

sujeito a:
1. Converter o problema de PL para a forma
normalizada.

n
X

aij xj

= bi

i{1,...,m}

xj

j{1,...,n}

j=1

max

Pn

aij xj

= bi

i{1,...,k}

aij xj + yi

= bi

i{k+1,...,m}

xj

j{1,...,n}

ai

i{k+1,...,m}

2. Examinar cada restric


ao e verificar se
existe alguma vari
avel que possa ser b
asica
nessa restric
ao. Se n
ao existir, somar uma
vari
avel artificial yi , yi 0 nessa mesma
restric
ao.

sujeito a:

Nota: As vari
aveis artificiais n
ao t
em relev
ancia ou
significado no problema original (da serem designadas por artificiais). Apenas s
ao usadas para facilitar
a construc
ao de uma base inicial para o problema.

n
X

n
X

j=1

cj xj

j=1

j=1

3. O problema artificial s
o ser
a equivalente ao original se todas as vari
aveis artificiais tiverem
valor zero.
Objetivo: Fazer as vari
aveis artificiais sair da base. M
etodo das penalidades (Big M)

59

M
etodo das penalidades (Big M)

Atribuir `
as vari
aveis artificiais um custo muito elevado M (problema de
minimizac
ao) na func
ao objetivo.
O pr
oprio m
etodo simplex se encarregar
a, ao tentar melhorar a func
ao objectivo, de
expulsar as vari
aveis artificiais da base vari
aveis artificiais passam a valer zero.
min

Pn

j=1 cj xj

Pm

i=k+1

Myi

sujeito a:
n
X

aij xj

= bi

i{1,...,k}

aij xj + yi

= bi

i{k+1,...,m}

xj

j{1,...,n}

yi

i{k+1,...,m}

j=1
n
X
j=1

60

M
etodo das penalidades
Exemplo

Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1
Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1

3x1

x2

2x2
x2

x2

+
+
+
,

x3
2x3
x3
x3

3x1

x2

x3

2x2
x2

s1

x2

x3
2x3
x3
x3

+
+
+
,

x3

s1

s2

s2

11
3
1
0

=
=
=

11
3
1
0

61

Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1

3x1

x2

x3

2x2
x2

s1

x2

x3
2x3
x3
x3

+
+
+
,

s1

My1

My2

s2

y1

s2

y1

+
,

y2
y2

3x1 + x2 + x3 + M(3 + 4x1 x2 2x3 + s2 ) + M(1 + 2x1 x3 )

4M + (3 + 6M)x1 + (1 M)x2 + (1 3M)x3 + Ms2

=
=
=

11
3
1
0

62

s1
y1
y2
Z

x1
1
4
2
3
6M

x2
2
1
0
1
M

x3
1
2
1
1
3M


s1
1
0
0
0
0

s2
0
1
0
0
M

y1
0
1
0
0
0

y2
0
0
1
0
0

11
3
1
0
4M

s1
y1
x3
Z

x1
3
0
2
1
0

x2
2
1
0
1
M


x3
0
0
1
0
0

s1
1
0
0
0
0

s2
0
1
0
0
M

y1
0
1
0
0
0

y2
1
2
1
1
3M

10
1
1
1
M

63

s1
x2
x3
Z

x1
x2
x3
Z

x1
3
0
2
1
0


x2
0
1
0
0
0

x3
0
0
1
0
0

s1
1
0
0
0
0

s2
2
1
0
1
0

x1
1
0
0
0

x2
0
1
0
0

x3
0
0
1
0

s1

s2
32
1
34

1
3

0
2
3
1
3

y1
2
1
0
1
M

y2
5
2
1
+1
M

1
3

12
1
1
2
0

4
1
9
2

Soluc
ao
otima: (x1 , x2 , x3 , s1 , s2 )? = (4, 1, 9, 0, 0) com Z ? = 2

64

Notas finais

A func
ao das vari
aveis artificiais
e apenas a de funcionar como vari
avel b
asica
numa dada equac
ao. Uma vez substituda na base por uma vari
avel original, pode
ser eliminada do quadro simplex (eliminando a respetiva coluna).
Se, no quadro
otimo, alguma vari
avel artificial ainda tiver um valor diferente de
zero, isso significa que o problema original n
ao tem nenhuma soluc
ao admissvel.
Ser
a ent
ao um problema impossvel.

65

Simplex
Exerccios

66

Problema B

Considere o seguinte problema de Programac


ao Linear:
max z = 45x1 + 80x2
s. t.:

5x1
10x1
x1

+
+
,

20x2
15x2
x2

400
450
0

1. Resolva-o pelo algoritmo Simplex.


2. Entre que valores poder
a variar o coeficiente c1 de x1 na func
ao objectivo (agora
vale 45), por forma a que uma soluc
ao
optima tenha sempre valores positivos
(x1 , x2 > 0)?

67

Problema C

Resolva, pelo m
etodo Simplex, o seguinte problema de programac
ao linear:
max F = 2x1 + x2
s. t.:

x1
x1
x1

+
+
,

x2
x2
x2

2
4
0

68

Problema G

Resolva, pelo m
etodo Simplex, o seguinte problema de programac
ao linear:
min z = x1 + x2 + x3
s. t.:

x1
2x1
x1

x2
2x2
x2

x3
x3

1
2
0

69

Solver do Excel

Solver do Excel Objetivos de Aprendizagem

Saber construir um modelo de programac


ao linear numa folha de c
alculo Excel.
Saber introduzir o modelo no Solver, incluindo func
ao objetivo, vari
aveis de
decis
ao e restric
oes.
Saber interpretar os relat
orios de resoluc
ao e de an
alise de sensibilidade
produzidos pelo Solver.

70

Planeamento da produc
ao na BA
Modelo de Programac
ao Linear
Vari
aveis de decis
ao
xVP N
umero de lotes de garrafas de Vinho do Porto Ruby Sandeman a produzir;
xA N
umero de lotes de garrafas de Azeite Oliveira da Serra a produzir

Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,

Z = 50xVP + 60xA
30xA
5xA
5xA
xA

2000
300
200
0

(tempo no forno)
(espaco no armaz
em)
(capacidade na decorac
ao)

Neste modelo n
ao vamos exigir que xVP e xA sejam inteiros.

71

Planeamento da produc
ao na BA
Modelo em Excel

C
odigo de cores:
Laranja Vari
aveis de Decis
ao
Azul Dados
Cinza F
ormulas

72

Planeamento da produc
ao na BA
Modelo em Excel

Nunca esconder dados no meio das f


ormulas

73

Planeamento da produc
ao na BA
Resoluc
ao pelo Solver Par
ametros e modelo no Solver

74

Planeamento da produc
ao na BA
Resoluc
ao pelo Solver Soluc
ao
optima

75

Planeamento da produc
ao na BA
Relat
orios do Solver Relat
orio de resposta

76

Planeamento da produc
ao na BA
Relat
orios do Solver Relat
orio de an
alise de sensibilidade

77

Solver do Excel
Exerccios

78

Volkswagen Autoeuropa I
A Volkswagen Autoeuropa produz 4 modelos de veculos: Scirocco, Eos, Sharan e Alhambra. A capacidade da
f
abrica de Palmela limita o total de produc
ao a um m
aximo de 200000 unidades por ano. Devido a restric
oes
derivadas da partilha de equipamentos de produc
ao, o total de unidades da Sharan e da Alhambra n
ao pode
exceder as 100000 unidades, assim como o total de unidades do Scirocco e do Eos n
ao pode exceder as 65000
unidades. A estrat
egia de marketing da Volkswagen exige que a produc
ao de monovolumes (Sharan e Alhambra)
constitua, no mnimo, 1,5 vezes a produc
ao dos modelos Scirocco e Eos. A poltica de protec
ao ambiental da
Volkswagen exige ainda que em cada uma da suas f
abricas o mix de produc
ao respeite uma m
edia de emiss
oes de
2
CO de, no m
aximo, 150 g/Km. Para cada modelo s
ao ainda conhecidos os lucros unit
arios, o potencial de vendas
2
e as emiss
oes de CO :
Modelo
Sharan
Alhambra
Eos
Scirocco

Lucro unit
ario (e)
4500
5000
3500
4000

Potencial de mercado
50000
20000
50000
100000

Emiss
oes de CO2 (g/Km)
146
152
148
172

Nas figuras 1, 2 e 3
e apresentado, respetivamente, o modelo em Excel e os relat
orios de resposta e de an
alise de
sensibilidade produzidos pelo Solver quando se resolveu o problema da maximizac
ao do lucro total da Autoeuropa.
1. Explique a que corresponde cada uma das linhas do modelo em Excel.
2. A partir do relat
orio de respostas indique qual a soluc
ao
otima e o seu valor. Identifique ainda as restrico
es
que s
ao ativas para esta soluc
ao
otima.
3. Recorrendo ao relat
orio de an
alise de sensibilidade indique:

3.1 Se o lucro unit


ario do modelo Eos passasse de 3500 para 2500 e, qual seria a soluc
ao

otima? E se o mesmo decr


escimo de lucro ocorresse para o modelo Scirocco? Justifique
ambas as respostas.

79

Volkswagen Autoeuropa II

3.2 Atrav
es de uma poltica agressiva de descontos
e possvel aumentar o potencial de
mercado de cada um dos modelos. Para que modelo o impacto no lucro global seria
potencialmente maior? Porqu
e? Qual poderia ser o valor m
aximo do desconto?
Justifique.
3.3 Interprete o preco sombra da restric
ao da linha 14.

80

Volkswagen Autoeuropa III

Figura 1: Modelo em Excel.

81

Volkswagen Autoeuropa IV

Figura 2: Relat
orio de resposta produzido pelo Solver.

82

Volkswagen Autoeuropa V

Figura 3: Relat
orio de an
alise de sensibilidade produzido pelo Solver.

83

Modelac
ao | problemas em redes

Modelac
ao | Problemas em redes Objetivos de Aprendizagem

Dada uma descric


ao de um problema ser capaz de identificar o problema em redes que
que lhe est
a associado, represent
a-lo com recurso a um grafo e:
identificar as Vari
aveis de Decis
ao;
identificar a Func
ao Objetivo e escrev
e-la como combinac
ao linear das Vari
aveis
de Decis
ao;
identificar as Restric
oes e escrev
e-las como combinaco
es lineares das Vari
aveis de
Decis
ao.
Dada uma formulac
ao para um problema conhecido, ser capaz de descrever qual o
significado de uma vari
avel de decis
ao, de uma restric
ao ou de um grupo de restric
oes.

84

Problemas de Transportes | Transporte de Frigorficos

Um fabricante de frigorficos tem 3 f


abricas de onde abastece 3 clientes
(distribuidores). No incio de cada m
es recebe de cada cliente a informac
ao sobre o
n
umero de frigorficos que pretende para esse m
es. Esses frigorficos ter
ao que ser
produzidos nas v
arias f
abricas, atendendo `
a capacidade de produc
ao de cada uma
delas. O custo de transportar um frigorfico de cada f
abrica para cada cliente
e
conhecido.
O problema consiste em determinar que f
abrica(s) deve(m) abastecer cada cliente, e
em que quantidades, de forma a que, respeitando as capacidades de produc
ao das
f
abricas e satisfazendo as necessidades dos clientes, o custo total de transporte seja
minimizado.
Formule este problema considerando que as capacidades de produc
ao s
ao iguais em
todas as f
abricas (20 frigorficos) e que as necessidades dos clientes s
ao de 10, 30 e 20
frigorficos. Os custos unit
arios de transporte s
ao os indicados na tabela seguinte (em
e/unidade):

F
abricas

P1
P2
P3

C1
2e
1e
1e

Clientes
C2
4e
5e
1e

C3
3e
2e
6e

85

Problemas de Transportes | Transporte de Frigorficos | Rede

P1
20

2
4

C1
10

3
P2
20

1
5
2

C2
30

1
P3
20

1
6

C3
20

86

Problemas de Transportes | Transporte de Frigorficos | Modelo


5

Vari
aveis de decis
ao
xfc quantidade a transportar da f
abrica f para o cliente c.

Objetivo:
Minimizar o custo total dos transportes.
min

2x11

+4x12

+3x13

+x21

+5x22

+2x23

+x31

+x32

+6x33

Sujeito a:
Restrico
es de capacidade nas origens
x11

+x12

+x33

20
20
20

+x33

10
30
20

+x13
x21

+x22

+x23
x31

+x32

Restric
oes de necessidade nos destinos
x11

+x21

+x31

x12

+x22
x13

+x32
+x23

Vari
aveis maiores ou iguais a zero
x11 ,
5

x12 ,

x13 ,

x21 ,

x22 ,

x23 ,

x31 ,

x32 ,

x33

Modelo em Excel: TransportRefrigerators


87

Problemas de Transportes | Modelo Geral


Dados
cij custo de transportar uma unidade da origem i para o destino j;
di disponibilidade na origem i;
nj necessidade no destino j.
Vari
aveis de decis
ao
xij quantidade a transportar da origem i para o destino j.

Objetivo:
min

XX
i

cij xij

Sujeito a:
X
xij di ,

(disponibilidades nas origens)

xij nj ,

(necessidades nos destinos)

xij 0,

i,j
88

Problemas de Afetac
ao | Layout Fabril

Uma f
abrica possui quatro locais (1,2,3,4) para receber tr
es m
aquinas novas (A,B,C).
O local 4
e demasiado pequeno para conter a m
aquina A. O custo da manipulac
ao dos
materiais que s
ao processados nas m
aquinas, em euros/hora, envolvendo cada
m
aquina com as respetivas posico
es,
e o seguinte:

A
B
C

1
5
3
3

2
1
1
3

3
3
4
4

4
x
3
2

Pretende-se determinar que local ocupar


a cada uma das novas m
aquinas, com o
objectivo de minimizar o custo total de manipulac
ao dos materiais.

89

Problemas de Afetac
ao | Layout Fabril | Modelo I
Para escrever o modelo de programac
ao linear para o problema do Layout Fabril
e
necess
ario incorporar a restric
ao de impossibilidade de colocac
ao da m
aquina A no
local 4.
Essa restric
ao pode ser adicionada ao problema de uma forma direta, apenas n
ao
considerando essa vari
avel de decis
ao. Alternativamente pode-se considerar a vari
avel
e fix
a-la a 0 ou ent
ao pode-se associar um custo a essa afectac
ao que a impeca de
acontecer (na pr
atica pode-se usar um custo que seja mais alto do que todos os outros
custos).

A
B
C

1
5
3
3

2
1
1
3

3
3
4
4

3
2

90

Problemas de Afetac
ao | Layout Fabril | Modelo II
6

Vari
aveis de decis
ao
xml 1 se m
aquina m for colocada no local l; 0 caso contr
ario.

Objetivo: Minimizar o custo total do layout


min

5xA1
+3xB1
+3xC 1

+1xA2
+1xB2
+3xC 2

+3xA3
+4xB3
+4xC 3

+xA4
+3xB4
+2xC 4

Sujeito a:
Todas as m
aquinas t
em de ser colocadas
xA1 +xA2 +xA3
xB1 +xB2 +xB3
xC 1 +xC 2 +xC 3

+xA4
+xB4
+xC 4

=
=
=

1
1
1

Em cada espaco pode ser colocada no m


aximo uma m
aquina
xA1 +xB1 +xC 1 1
xA2 +xB2 +xC 2 1
xA3 +xB3 +xC 3 1
xA4 +xB4 +xC 4 1
Vari
aveis maiores ou iguais a zero
xml
6

Modelo em Excel: AssignmentPlantLayout


91

Problemas de Afetac
ao | Modelo Geral
Dados
cij custo de afetar origem i a destino j.
Vari
aveis de decis
ao
xij tem valor 1 se se afetar a origem i a destino j e tem valor 0 se n
ao;
xij {0, 1}.
Objetivo: Minimizar o custo total de afetac
ao
min

n
n X
X

cij xij

i=1 j=1

Sujeito a:
n
X

xij = 1,

i = 1...n

xij = 1,

j = 1...n

j=1
n
X
i=1

xij {0, 1},

i,j

92

Problemas Fluxo M
aximo | MaxFlowBasic
O problema de fluxo m
aximo consiste na determinac
ao do fluxo m
aximo que pode
percorrer um grafo desde um n
o de origem at
e um n
o de destino.
Considere a rede representada na figura onde os n
umeros nos arcos correspondem `
a
capacidade m
axima de cada arco.

B
9

3
8

C
Pretende-se determinar o valor do fluxo m
aximo que
e possvel fazer circular pela rede
com entrada no n
o A e sada no n
o D.
Escreva o modelo de programac
ao linear para o problema de fluxo m
aximo
representado na figura.

93

Problemas Fluxo M
aximo | MaxFlowBasic | Modelo Excel

Data
AB AC BC BD CD
Capacities of the arcs 9 8 3 7 9

Decision Variables
AB AC BC BD CD
Flow in the arcs 8 8 1 7 9
Objective Function
max flow-in A

16

max flow-out D

16

9
16

Constraints
Node B
Node C
Capacities in the arcs

-1
1

-1

0 = 0
-1

0 = 0

8 8 1 7 9
<= <= <= <= <=
9 8 3 7 9

D
1

8
8

7
16

9
9

Modelo em Excel: MaxFlowBasic


94

Problemas Fluxo M
aximo | Modelo Geral
Indices
N
o 1 N
o de entrada;
N
o t N
o de sada.
Dados
cij capacidade do ramo (i, j).
Vari
aveis de decis
ao
xij fluxo que passa no ramo (i, j), de i para j.
Objetivo: Maximizar o fluxo
max

X
j

Sujeito a:
X
i

xik =

xkj ,

x1j =

xit

(equilbrio de fluxos nos n


os)

xij cij ,
xij 0,

i,j

(restric
oes de capacidade)
i,j
95

Problemas Caminho Mnimo | ShortestPathBasic

Dada uma rede, pretende-se determinar o caminho mais curto entre dois n
os. A cada
ramo (i, j) est
a associada uma dist
ancia n
ao negativa dij e
e admissvel que dij 6= dji .

15

4
9

16

21

Escreva o modelo de programac


ao linear para o problema para o problema de caminho
mnimo representado na figura, considerando que o n
o de origem
e o n
o A e o n
o de
destino
e o n
o F e que o n
umero representado junto a cada arco corresponde ao
comprimento do arco.

96

Problemas Caminho Mnimo | ShortestPathBasic | Modelo Excel

Data

AB AC BD CB CD CE DC DE DF EF
Length of the arcs 15 9 2 4 3 16 3 6 21 7

Decision Variables
AB AC BD CB CD CE DC DE DF EF
Arc belongs to min path?
0 1 0 0 1 0 0 1 0 1
Yes (1) No (0)
Objective Function
min Path AF

25

Constraints
Node B
Node C
Node D
Node E
Node A
Node F

-1
1
1

1
-1 -1 -1 1
1
-1 -1
1
1

-1
-1

1
1

0
0
0
0
1
1

=
=
=
=
=
=

0
0
0
0
1
1

Modelo em Excel: ShortestPathBasic


97

Problemas Caminho Mnimo | Modelo Geral


Indices
I {INI , 1, 2, . . . , n};
F {1, 2, . . . , n, FIM};
N {1, 2, . . . , n}.
Dados
cij custo de usar o arco i j no caminho.
Vari
aveis de decis
ao
xij tem valor 1 se arco i j pertence ao caminho,
e 0 se n
ao;
xij {0, 1}; i I, j F
Objetivo: Minimizar comprimento do caminho
X
min
cij xij
iI,jF

Sujeito a:
X
iI

xij =

xjk ,

jN

(equilbrio dos n
os)

kF

xINIj = 1,

(do n
o inicial tem que sair um s
o caminho)

xiFIM = 1,

(ao n
o final tem que chegar um s
o caminho)

jF

X
iI

98

Modelac
ao | problemas em redes
Exerccios

99

Asa de Luxo

A empresa de transportes Asa de Luxo comprou 3 novos pequenos avi


oes. Ap
os um estudo de
mercado foram identificados 4 possveis destinos para os novos voos a estabelecer: Monte Carlo,
Ilhas Can
arias, Biarritz, e as Ilhas Gregas. Para cada um dos destinos foi estimado o lucro (em
M$) que cada um dos avi
oes proporcionaria:
Destino
Monte Carlo
Ilhas Can
arias
Biarritz
Ilhas Gregas

A1
8
10
9
6

A2
11
9
4
7

A3
10
9
8
5

Na reuni
ao marcada para tomar essas decis
oes o administrador da Asa de Luxo (que possui um
apartamento em Biarritz) disse que Biarritz seria necessariamente o destino de um dos tr
es avi
oes.
Por outro lado, o Director de Marketing considerou que, por uma quest
ao de estrat
egia, se deveria
atingir o maior n
umero possvel de destinos, n
ao enviando portanto mais do que um avi
ao para
cada destino.
O respons
avel pela manutenc
ao chamou a atenc
ao para o facto de os avi
oes A1 e A3 n
ao poderem
aterrar nas Ilhas Gregas.
Escreva o modelo de programac
ao linear que permitir
a decidir que avi
ao deve seguir para cada
destino e ganhe uma viagem gr
atis para duas pessoas, para um destino `
a sua escolha (oferecida
pela Asa de Luxo, claro!...).

100

Construtora de Avi
oes

Uma companhia construtora de avi


oes pretende planear os quatro pr
oximos meses de produc
ao de
um motor.
Para satisfazer as datas de entrega contratuais, necessita de fornecer os motores nas quantidades
umero m
aximo de motores que a companhia produz por m
es,
indicadas na 2a coluna da tabela. O n
bem como o custo de cada motor (em milh
oes de d
olares) est
ao tamb
em representados na tabela.
Dadas as variac
oes nos custos de produc
ao, pode valer a pena produzir alguns motores um ou mais
meses antes das datas programadas para entrega. Se se optar por esta hip
otese, os motores ser
ao
armazenados at
e ao m
es de entrega, com um custo adicional de 0,015 milh
oes de d
olares/m
es.
M
es
1
2
3
4

Quantidades
a fornecer
10
15
25
20

Produc
ao
m
axima
25
35
30
10

Custo unit
ario
de produc
ao
1,08
1,11
1,10
1,13

Custo unit
ario
de armazenagem

0,015
0,015
0,015

O director de produc
ao quer saber quantos motores deve fabricar em cada m
es (e para que meses
de entrega) por forma a minimizar os custos globais de produc
ao e armazenagem.
Construa o modelo de programac
ao linear que permite resolver este problema.

101

Supply Chain Transfronteirica


Uma empresa possui duas f
abricas (P1 e P2 ) onde produz um produto que
e exportado para 3
locais num pas vizinho (L1 , L2 e L3 ). O transporte
e feito atrav
es de duas fronteiras (F1 e F2 )
(n
ao se imp
oem limites m
aximos `
a quantidade que pode atravessar diariamente cada uma delas).
Por outro lado, cada fronteira cobra uma taxa por cada unidade do referido produto que a
atravessa (independentemente de vir de P1 ou P2 ).
Na figura seguinte s
ao apresentadas as disponibilidades di
arias em cada f
abrica e tamb
em as
necessidades di
arias de cada local. Os custos para transportar uma unidade do produto, de cada
produtor para cada fronteira e de cada fronteira para cada destino, assim como os custos por
unidade que atravessa a fronteira tamb
em est
ao representados na figura.

P1
120

50/un
40/un

F1
4/un

23/un

L1
50
34/un

40/un
20/un
52/un

L2
70

45/un

P2
80

55/un

F2
3/un

38/un

L3
60

1. Construa um modelo de programac


ao linear que permita determinar a poltica
otima de
transporte do produto entre cada produtor, fronteira e local de destino.
2. Considere agora que as fronteiras t
em uma capacidade m
axima de 100 unidades. Formule
novamente o problema com esta restric
ao adicional.

102

Guerra entre Azuis e Verdes I


O Pas Azul foi subitamente atacado pelas tropas do Pas Verde. O Estado-Maior das Forcas Azuis reuniu de
imediato para decidir sobre as movimentaco
es de tropas que se deviam efectuar, de modo a fazer frente `
a invas
ao
das Forcas Verdes.
O Estado-Maior das Forcas Azuis foi informado que o ataque se estava a processar em 3 frentes distintas, com
nomes de c
odigo 1 , 2 e 3 . Chegou-se de imediato `
a conclus
ao que seria necess
ario transportar duas divis
oes de
combate para 1 , uma divis
ao para 2 e uma outra para 3 . As Forcas Azuis dispunham nessa altura de 5 divis
oes
de combate nas cidades mais pr
oximas da fronteira atacada, duas aquarteladas em 1 (em c
odigo, claro!), duas em
2 e uma aquartelada em 3 . Essas divis
oes poderiam ser transportadas para os locais em perigo, contudo os
Avi
oes Verdes j
a sobrevoavam o Pas Azul, e a movimentac
ao das divis
oes teria que se fazer com o menor risco
humano possvel.
Ap
os uma r
apida inspec
ao do mapa do territ
orio fez-se o esquema da figura seguinte, onde se representam as
estradas que podem ser utilizadas pelas divis
oes de combate das Forcas Azuis (os valores representados nos trocos
dos percursos s
ao dist
ancias em quil
ometros).
Os generais das Forcas Azuis, peritos em Investigac
ao Operacional, precisavam de decidir de que aquartelamento
deviam seguir as divis
oes necess
arias em 1 , 2 e 3 . O objetivo era a minimizac
ao das perdas humanas,
relacionado diretamente com o perigo de bombardeamento.

1
4

5
2

Durante a reuni
ao do Estado-Maior das Forcas Azuis, o general de 20 estrelas Foj (em c
odigo, como n
ao podia
deixar de ser) disse:

103

Guerra entre Azuis e Verdes II

O perigo de bombardeamento das divis


oes em movimento pode ser considerado como diretamente proporcional `
a
dist
ancia entre cada e cada .
Por fim, o general Soj ordenou:
A divis
ao que sobrar fica no aquartelamento respetivo.

Siga as instruco
es dos generais Foj, Jac e Soj e construa um modelo de programac
ao linear que nos permita
determinar quais foram as decis
oes tomadas pelo Estado-Maior das Forcas Azuis, porque nos somos as Forcas Verdes!!!!

104

Tabuleiro

Considere um tabuleiro com 3 4 quadrculas. Cada quadrcula cont


em um n
umero:
0
7
2

4
8
3

3
6
1

6
8
8

O objetivo do jogo consiste em deslocar um pe


ao desde o canto superior esquerdo at
e ao canto
inferior direito, atrav
es de uma sequ
encia de movimentos para a direita ou para baixo, de forma a
minimizar o somat
orio dos pontos correspondentes `
as quadrculas por onde se passou.
Escreva o modelo de programac
ao linear que permite resolver este problema.

105

Modelac
ao | com vari
aveis inteiras

Modelac
ao | com vari
aveis inteiras Objetivos de Aprendizagem

Dada uma descric


ao de um problema ser capaz de:
identificar as Vari
aveis de Decis
ao;
identificar a Func
ao Objetivo e escrev
e-la como combinac
ao linear das Vari
aveis
de Decis
ao;
identificar as Restric
oes e escrev
e-las como combinaco
es lineares das Vari
aveis de
Decis
ao.
Representar algebricamente relac
oes l
ogicas entre vari
aveis bin
arias.
Utilizar vari
aveis bin
arias como vari
aveis auxiliares para formular relac
oes l
ogicas entre
restric
oes como por exemplo:
disjunc
ao de restric
oes;
implicac
ao de restric
oes
valores mnimos para vari
aveis (uma vari
avel
e igual a zero ou ent
ao
e maior ou
igual que um determinado valor)
Dada uma formulac
ao para um problema conhecido, ser capaz de descrever qual o
significado de uma vari
avel de decis
ao, de uma restric
ao ou de um grupo de restric
oes.

106

Eventos UPorto
Parte I
No
ambito de um acordo de cooperac
ao entre a UPorto e uma instituic
ao financeira
foi decidido investir 200 000e em eventos culturais e desportivos a organizar nos
pr
oximos 5 anos, com o objetivo de reforcar os lacos no seio da Universidade e a
` equipa da UPorto que preparou os
marca UPorto na Cidade do Porto e no Pas. A
dados para decis
ao pelo Reitor foi pedido que, para cada evento proposto, fosse
indicado o orcamento previsto e o n
umero estimado de pessoas que participariam.
Na data prevista foram apresentados ao Reitor os resultados do trabalho da equipa.
Evento
(01) NU.Porto tudo
e teatro
(02) A Ci
encia nU.Porto
(03) Correr pelU.Porto
(04) Com U.Porto amanhecemos com livros
(05) U.Porto por dentro
(06) Festival de Tunas dU.Porto
(07) Depois das seis, U.Porto
e Jazz
(08) U.Porto s
ao s
o Coros
(09) U.Porto nos caminhos do Porto
(10) U.Porto sim U.Porto n
ao

Orcamento previsto
80 000e
40 000e
30 000e
15 000e
10 000e
30 000e
40 000e
20 000e
25 000e
20 000e

Participantes
100 000
10 000
10 000
5 000
20 000
10 000
30 000
25 000
50 000
30 000

Construa o modelo de programac


ao Linear que permitiria encontrar o melhor conjunto
de eventos a organizar, considerando que o Reitor da U.Porto pretendia maximizar o
n
umero total de participantes.
107

Eventos UPorto
Parte I Resoluc
ao

Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:

pi xi

Restric
oes
Investimento disponvel:

oi xi

200 000e

108

Eventos UPorto
Parte II

Depois de analisar a soluc


ao encontrada para o investimento a 5 anos, o Reitor pediu
`
a mesma equipa que classificasse os diversos eventos nas categorias: Artes
Performativas, M
usica, Filosofia, Arquitetura, Literatura, Desporto e Ci
encia, pois
pretendia que fossem acrescentadas restrico
es ao modelo construdo que lhe
permitissem garantir que seria organizado pelo menos um evento de cada tipo.
De entre os eventos classificados como de Desporto e de Ci
encia seria apenas
necess
ario garantir que era organizado um.

Evento
(01)
(02)
(03)
(04)
(05)
(06)
(07)
(08)
(09)
(10)

NU.Porto tudo
e teatro
A Ci
encia nU.Porto
Correr pelU.Porto
Com U.Porto amanhecemos com livros
U.Porto por dentro
Festival de Tunas dU.Porto
Depois das seis, U.Porto
e Jazz
U.Porto s
ao s
o Coros
U.Porto nos caminhos do Porto
U.Porto sim U.Porto n
ao

Artes
Performativas
X

M
usica

Filosofia

Arquitetura

Literatura

Desporto

Ci
encia
X

X
X
X
X
X
X

X
X
X
X
X

109

Eventos UPorto
Parte II Resoluc
ao
Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:

pi xi

Restric
oes
Investimento disponvel:
o1 x1 +
o2 x2 +
o3 x3 +
o4 x4 +
o5 x5 +
Pelo menos um evento Artes Performativas:
x1 +
Pelo menos um evento M
usica:
Pelo menos um evento Filosofia:

o6 x6 +

o7 x7 +

o8 x8 +

x6 +

x7 +

x8

x6 +

x7 +

x8

o9 x9 +

o10 x10

x10

Pelo menos um evento Arquitetura:


x5 +

Pelo menos um evento Literatura:


x4
Pelo menos um evento entre Desporto e Ci
encia:
x2 +
x3

x9

200 000e

1
110

Eventos UPorto
Parte III

Depois de ver o resultado obtido ap


os o seu u
ltimo pedido, o Reitor da Universidade
do Porto fez um novo
ultimo pedido:
Seria necess
ario voltar ao modelo inicial e acrescentar as seguintes restric
oes:
Se se organizar Festival de Tunas n
ao se pode organizar U.Porto s
ao s
o coros;
Se for organizado UPorto sim UPorto n
ao ent
ao tem de ser organizado Com
UPorto amanhecemos com livros

111

Eventos UPorto
Parte III Resoluc
ao

Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:

pi xi

Restric
oes
Investimento disponvel:
o1 x1 +
o2 x2 +
o3 x3 +
o4 x4 +
o5 x5 +
o6 x6 +
o7 x7 +
o8 x8 +
Se Festival de Tunas ent
ao n
ao U.Porto s
ao s
o coros:
x6 +
x8
Se UPorto sim UPorto n
ao ent
ao Com UPorto amanhecemos com livros
x4

o9 x9 +

o10 x10

x10

200 000e

112

Modelac
ao de operac
oes l
ogicas entre restric
oes

Disjunc
ao apenas uma de duas restric
oes est
a ativa
f (xi ) 0 g (xi ) 0
Seja M um n
umero muito grande e uma vari
avel bin
aria:


f (xi )
g (xi )

M
(1 )M

113

Modelac
ao de operac
oes l
ogicas entre restric
oes

K , de entre N restric
oes, s
ao verificadas

f1 (xi )
f2 (xi )
fN (xi )

..
.

d1
d2
dN

f1 (xi )
f2 (xi )

f (xi )

PN

i=1 i

..
.

d1 + 1 M
d2 + 2 M
dN + N M
N K
{0, 1}
N
umero muito grande

114

Modelac
ao de operac
oes l
ogicas entre restric
oes

Func
oes com apenas N valores possveis
f (xi ) = d1 ou = d2 ou . . . ou = dN
(f (xi ) {d1 , d2 , . . . , dN })

f (x )
PN i
i=1 i

=
=

PN

i=1 i di

1
{0, 1}

115

Modelac
ao de operac
oes l
ogicas entre restric
oes

Implicac
ao de condic
oes
se E > P V Q
A implicac
ao de condic
oes
e modelizada com o auxlio de uma vari
avel de
decis
ao suplementar e de um majorante M para os valores que as condic
oes
possam tomar.
Tomando ent
ao uma vari
avel auxiliar inteira bin
aria {0, 1}, a implicac
ao
pode ser formulada do seguinte modo:
E P M
Q V (1 )M

0
0
{0, 1}

(1)
(2)
(3)

Para verificarmos que as inequac


oes 1 a 3 modelizam a implicac
ao de condic
oes devemos relembrar que, para que uma implicac
ao a b
seja verdadeira,
e preciso que se a for verdadeira ent
ao b tamb
em o seja e que se b for falsa ent
ao a tamb
em o seja.
De facto, se E > P ent
ao para que a restric
ao 1 se verifique
e forcoso que = 1. Ora = 1 transforma 2 em V Q, como se
pretendia.
Se, por outro lado, V < Q ent
ao, para que a restric
ao 2 se verifique
e forcoso que = 0. Com = 0 a restric
ao 1 fica E P,
como se queria demonstrar.

116

F
abrica de Papel
A maior f
abrica de papel do mundo (vdeo)

Carretel

n Bobinas
n Laminas

Como se pode ver nas figuras, o papel


e fabricado em rolos grandes tanto em largura como em di
ametro,
conhecidos na ind
ustria por jumbos. Os jumbos s
ao divididos em rolos mais pequenos que podem ser vendidos
diretamente a clientes ou que ent
ao podem ser usados para cortar em formatos.
Consideremos uma empresa em que o papel
e produzido em jumbos com 6 metros de largura. A partir desses
jumbos de 6 metros
e necess
ario produzir:
30 rolos com 280 cm de largura,
60 rolos com 200 cm de largura,
48 rolos com 150 cm de largura.
Um jumbo de 6 metros poderia, por exemplo, ser dividido em 2 rolos de 280cm, sobrando um rolinho de 40cm
que
e considerado desperdcio.
Assumindo que existem jumbos em quantidade suficiente para satisfazer esta encomenda, o problema consiste em
determinar a forma de cortar os jumbos minimizando o desperdcio.
Construa o modelo de Programac
ao Matem
atica para este problema.
117

F
abrica de Papel Resoluc
ao
O primeiro passo para a formulac
ao deste problema passa por determinar de quantas formas pode um jumbo ser
cortado. Para al
em da forma sugerida no enunciado (2 rolos de 200 cm, sobrando 40 cm de desperdcio) podem
ainda ser determinados 6 outros padr
oes de corte (ver tabela).
As vari
aveis de decis
ao (x1 a x7 ) correspondem ao n
umero de vezes que cada padr
ao de corte
e aplicado no corte
de um jumbo. A tabela seguinte apresenta ainda as quantidades pedidas de cada rolo, assim como o desperdcio
gerado por cada padr
ao de corte.
Largura
dos rolos
280
200
150
Desperdcio

x1
2
0
0
40

x2
1
1
0
120

x3
1
0
2
20

x4
0
3
0
0

x5
0
2
1
50

x6
0
1
2
100

x7
0
0
4
0

No de rolos
pedidos
30
60
48

Exemplificando, x3 = 4 significa que se cortam 4 jumbos em 1 rolo de 280 cm e 2 rolos de 150 cm, gerando um
desperdcio de 20 cm. No total obt
em-se 4 rolos de 280 cm e 8 de 150 cm (e nenhum de 200 cm).
As restric
oes v
ao estar directamente relacionadas com as quantidades de rolos pequenos que
e necess
ario cortar e
e
necess
aria uma restric
ao por cada dimens
ao de rolo. Se a cada linha do sistema de inequac
oes corresponde um tipo
de rolo pequeno, a cada coluna corresponder
a um padr
ao de corte:
2x1

x2
x2

x3
2x3

3x4

+
+

2x5
x5

+
+

x6
2x6

4x7
xi

30
60
48
0 1i7

O objetivo do problema
e minimizar o desperdcio. No entanto, dado que nas restric
oes estamos a admitir
sobreproduc
oes e dado que h
a dois padr
oes de corte com desperdcio nulo, a func
ao objetivo ter
a de minimizar o
n
umero total de padr
oes de corte (igual ao n
umero de jumbos cortados):
min x1 + x2 + x3 + x4 + x5 + x6 + x7
E se as restrico
es tiverem que ser satisfeitas como igualdades, isto
e, e se n
ao forem admitidas sobreproduco
es?
Nesse caso como
e que o modelo deve ser alterado?

118

F
abrica de Papel (mnimos de produc
ao)

Depois de ver a soluc


ao, o diretor de produc
ao da f
abrica de papel lembrou-se de uma
restric
ao adicional muito importante. A dificuldade de colocac
ao das l
aminas de corte
em posic
ao obriga a mnimos de produc
ao, i.e. sempre que se usar um padr
ao de corte

e necess
ario cortar no mnimo 15 rolos.
Mnimos de produc
ao
i xi = 0 ou xi 15
Seja M um n
umero muito grande e i vari
aveis bin
arias:


xi
xi

15i
Mi

119

Modelac
ao | com vari
aveis inteiras
Exerccios

120

Manutenc
ao no Aeroporto Aletrop
O aeroporto de Aletrop
e a base dos avi
oes da companhia a
erea PAT. Trata-se de um aeroporto moderno, e de uma empresa de aviac
ao
em expans
ao, que pretende manter a sua competitividade num sector de actividade fortemente concorrencial. O aumento de
competitividade passa, nomeadamente, pela realizac
ao de dois objectivos, a melhoria da qualidade de servico e a reduc
ao dos custos de
operac
ao. Por outro lado, a seguranca de uma companhia a
erea
e um aspecto de primordial import
ancia, estando intimamente ligado `
a
manutenc
ao. Para manter um avi
ao em boas condic
oes t
ecnicas, procede-se `
a manutenc
ao preventiva aos aparelhos da PAT, atrav
es de
pequenas inspecco
es entre aterragem e posterior descolagem. A direcc
ao da empresa est
a tamb
em a considerar a hip
otese de oferecer
estes servicos de manutenc
ao a outras companhias de aviac
ao, mesmo que para tal tenha que aumentar `
as equipas de manutenc
ao. O
elemento crucial nestas equipas
e o chefe de manutenc
ao, t
ecnico altamente qualificado, que necessita de fazer formac
ao especfica para
cada tipo de avi
ao e obter assim uma licenca imprescindvel para o desempenho dessas func
oes. A cada licenca corresponde uma categoria
de avi
oes, existindo 4 licencas diferentes:
Tipos de licencas
1
2
3
4

Avi
oes
Boeing 717 (100 lugares)
Boeing 777 (300 a 500 lugares)
Airbus A319 (124 lugares)
Airbus A340 (350 lugares)

Cada t
ecnico pode ter no m
aximo 2 licencas. A primeira licenca demora v
arios anos a obter, sendo portanto mais cara para a empresa,
enquanto a segunda licenca demora menos anos a obter, ficando naturalmente mais barata. O custo da segunda licenca depende ainda da
licenca anterior que o t
ecnico possui. Actualmente existem 9 equipas de manutenc
ao, cada uma chefiada por um t
ecnico licenciado, que
funcionam em 3 turnos.

Licenca
anterior
0
1
2
3
4

Turno

Custo (M$)
Licenca a tirar
1
2
1
1
1

2
4
1
3
2

3
2
2
2
1

1
4
4
3
3
2
-

2
3

Chefe de equipa
1
2
3
4
5
6
7
8
9

Tipo de licenca
1, 2
1
2
3, 4
2
3
4
3, 4
3

Para poder oferecer servicos a outras companhias de aviac


ao, a empresa pretende que existam 4 licencas de cada tipo, no conjunto dos
chefes de manutenc
ao. Isto pode ser conseguido enviando para formac
ao actuais chefes de equipa (portanto t
ecnicos que j
a possuem 1
licenca) ou outros t
ecnicos que ainda n
ao possuem nenhuma licenca. No entanto, de cada turno s
o poder
a sair, no m
aximo, 1 chefe de
equipa para formac
ao. Escreva um modelo de programac
ao matem
atica que permita determinar a poltica de obtenc
ao de licencas que
minimiza os custos para a Aletrop.
121

Locais de emerg
encia na cidade de Metropolis I
9

A cidade de Metropolis pretende redesenhar o seu sistema p


ublico de emerg
encia. Nesta fase do projeto
pretende-se localizar veculos de emerg
encia na cidade. A cidade est
a dividida em nove zonas e foram identificados
sete locais potenciais para localizar os veculos. Um veculo localizado num desses locais pode servir em caso de
emerg
encia algumas, mas n
ao todas, as zonas da cidade dentro da janela de 3 minutos exigida pela cidade. Na
tabela seguinte um 1 significa que um sector da cidade pode ser servido pelo local respetivo dentro do tempo
exigido.

Zona
Zona
Zona
Zona
Zona
Zona
Zona
Zona
Zona

Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9

L1
0
1
0
0
1
1
1
0
1

L2
1
0
1
1
0
0
0
0
0

L3
0
0
0
1
1
0
0
1
0

L4
1
0
0
0
0
1
0
1
0

L5
0
0
0
1
1
0
0
1
1

L6
0
1
1
1
0
1
0
0
0

L7
1
1
1
0
0
0
1
0
0

A cidade pretende garantir a cobertura das 9 zonas dentro da janela de tempo especificada, usando o menor
n
umero possvel de locais para os veculos de emerg
encia. Escreva o modelo para este problema.
Partindo sempre do problema inicial, acrescente as seguintes restric
oes:
1. De entre os locais L1, L3 e L4
e necess
ario escolher pelo menos dois.
2. De entre os locais L5, L6 e L7
e obrigat
orio escolher exatamente dois.
3. Os locais L3 e L4 n
ao podem ser ambos escolhidos.
4. Se o local L2 for escolhido ent
ao o local L7 tamb
em deve ser escolhido.

P
agina 320 livro Powell and Baker: Management Science The Art of Modelling with Spreadsheets
122

Produc
ao de Rel
ogios para os Terminais de Heathrow I
10

Um fabricante de rel
ogios pretende comercializar quatro modelos do seu cat
alogo (M1, M2, M3
e M4) em lojas dos terminais do aeroporto de Heathrow. O fabricante prop
os a v
arias lojas
localizadas nos terminais 1, 3 e 4 pagar-lhes uma determinada percentagem do lucro bruto
(diferenca entre o preco de venda ao p
ublico e o custo total de produc
ao) gerado pela
comercializac
ao dos rel
ogios.
Mostraram receptividade a este neg
ocio duas lojas no terminal 1 (L1 e L2), tr
es no terminal 3 (L3,
L4 e L5) e uma no terminal 4 (L6). Cada uma das lojas poder
a comercializar um ou mais modelos
de rel
ogios. O fabricante n
ao quer vender o mesmo modelo de rel
ogio em mais do que uma loja de
cada um dos terminais, de forma a evitar a concorr
encia entre lojas localizadas no mesmo terminal.
O n
umero de rel
ogios de cada um dos modelos que as diferentes lojas prev
eem conseguir vender
semanalmente encontra-se na tabela seguinte.

Modelo
M1
M2
M3
M4

L1
10
15
8
4

L2
12
10
6
3

Lojas
L3
L4
8
20
5
9
5
7
7
2

L5
15
8
4
2

L6
10
5
2
1

Os custos vari
aveis de produc
ao de um rel
ogio (incluindo mat
eria prima e m
ao de obra), bem como
os custos fixos de produc
ao de cada um dos modelos (resultante da preparac
ao da linha de
montagem para a produc
ao de um determinado modelo) s
ao os indicados na tabela seguinte.

Modelo
M1
M2
M3
M4

Custos de Produc
ao de cada modelo
(em u.m.)
Vari
aveis
Fixos
5
120
6
100
7
75
9
200
123

Produc
ao de Rel
ogios para os Terminais de Heathrow II

O fabricante defende uma poltica de n


ao manter stocks de rel
ogios, o que implica que os rel
ogios
vendidos numa determinada semana s
ao integralmente produzidos na semana imediatamente
anterior. Os precos de venda ao p
ublico de cada um dos modelos de rel
ogio (em u.m.) ser
ao
diferentes em func
ao do terminal em que a loja est
a localizada e est
ao apresentados na tabela
seguinte.
Precos de venda ao p
ublico
Modelo
M1
M2
M3
M4

1
22
35
30
26

Terminal
3
28
42
40
32

4
30
42
45
28

O fabricante tem capacidade para produzir 60 unidades do modelo M1 (se s


o produzir este
modelo), 35 de M2 (se s
o produzir este modelo), 20 de M3 (se s
o produzir este modelo) e 15 de
M4 (se s
o produzir este modelo) ou qualquer combinac
ao linear destes valores.
Escreva o modelo de programac
ao linear para este problema.

10

Exame de 2011.02.07 de IO do (MIEA, MIEEC, MIEM) da FEUP


124

Resoluc
ao de Problemas com
Vari
aveis Inteiras

Resoluc
ao de Problemas com Vari
aveis Inteiras Objetivos de Aprendizagem

Capacidade de modelar problemas com vari


aveis inteiras.
Aplicar o procedimento de Branch-and-Bound (B&B) de forma gr
afica,
resolvendo cada um dos problemas construdos nos ramos.
Aplicar o procedimento de B&B de forma analtica.
Dada uma
arvore de pesquisa de B&B, saber determinar:
se se trata de um problema de maximizac
ao ou de minimizac
ao;
saber determinar quais os melhores limites superior e inferior conhecidos at
e ao
momento;
saber reconhecer, justificando, se a
arvore de pesquisa B&B foi ou n
ao totalmente
explorada.

125

Resoluc
ao de Problemas com Vari
aveis Inteiras
Resolver o PL com Simplex e arredondar?

126

Resoluc
ao de Problemas com Vari
aveis Inteiras
Testar todas as soluc
oes? S
ao menos de 20. . .

127

Resoluc
ao de Problemas com Vari
aveis Inteiras
Testar todas as soluc
oes? S
ao 1030 !

Eventos UPorto com 100 eventos

Se o n
umero de eventos a considerar fosse 100, como cada vari
avel de decis
ao podia
tomar 2 valores (0 ou 1) haveria 2 2 2 . . . 2 = 2100 1030 soluco
es
alternativas a avaliar.
o
E
bvio que algumas dessas soluc
oes seriam n
ao admissveis mas n
ao
e possvel avaliar
se uma soluc
ao cumpre ou n
ao as restric
oes sem antes a gerar. Isso tornaria este
m
etodo de testar todas as soluc
oes impratic
avel.
Considerando que o universo tem aproximadamente 1010 anos, se desde o incio do
universo se tivessem avaliado 1020 soluc
oes por ano, ou 4 1012 por segundo,
estaramos agora a acabar de resolver o problema.

128

M
etodos exatos para resoluc
ao de problemas de Programac
ao Inteira ou
Mista
Relaxac
ao Se n
ao considerarmos uma ou mais restrico
es do Problema
Original (PO), podemos transformar PO num Problema Relaxado
(PR) mais simples de resolver.
Se PO for um problema de minimizac
ao, os valores
otimos da
func
ao objetivo relacionam-se da seguinte forma:
?
?
fPR
fPO

(com menos restric


oes o valor da soluc
ao s
o pode melhorar ou
manter-se constante).
Relaxac
ao Linear transformar um problema com vari
aveis inteiras num problema
com vari
aveis contnuas deixando cair as restric
oes que obrigam
as vari
aveis a ser inteiras (ou bin
arias). Retirando essas restric
oes
podemos usar o Algoritmo SIMPLEX como alternativa a uma
pesquisa em
arvore, que
e mais complexa e demorada.
Branch and Bound parte da relaxac
ao linear do problema e baseia-se numa
enumerac
ao inteligente das soluc
oes candidatas a soluco
es o
timas
inteiras, particionando sucessivamente o espaco de soluc
oes e
cortando a
arvore de pesquisa. Os cortes na
arvore de pesquisa
s
ao feitos considerando os limites inferiores e superiores para o
valor da func
ao objetivo na soluc
ao
otima que s
ao calculados ao
longo da enumerac
ao.

129

Resoluc
ao de um problema com B&B

Considere o seguinte problema


de Programac
ao Inteira:
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x

+
,

4y
2y
y

3.5
10
9
Z0+

Soluc
ao
otima:
(x, y ) = (1, 4); F = 31

130

Resoluc
ao da relaxac
ao linear do problema, LP0

max F = 3x + 7y
s. t.:
x
5x
4
x
7
x

+
,

4y
2y
y

3.5
10
9
0

Soluc
ao
otima:
(x, y ) = (3.5, 3.5); F = 35

131

Problema LP01 ramificac


ao em x: x 3

max F = 3x + 7y
s. t.:
x
5x
4
x
7

x
x

+
,

4y
2y
y

3.5
10
9
0

Soluc
ao
otima:
(x, y ) = (3, 3.6); F = 34.5

132

Problema LP02 ramificac


ao em x: x 4

max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
x

+
,

4y
2y
y

3.5
10
9
0

Sem soluc
ao admissvel

133

Problema LP011 ramificac


ao em y : y 3

max F = 3x + 7y
s. t.:
x
5x
4
x
7
x

+
,

4y
2y
y

3.5
10
9
0

3
3

Soluc
ao
otima:
(x, y ) = (3, 3); F = 30
(x, y Z0+ )

134

Problema LP012 ramificac


ao em y : y 4

max F = 3x + 7y
s. t.:
x
5x
4
x
7

+
,

4y
2y
y

3.5
10
9
0

3
4

Soluc
ao
otima:
(x, y ) = (1.7, 4); F = 33.2

135

Problema LP0121 ramificac


ao em x: x 1

max F = 3x + 7y
s. t.:
x
5x
4
x
7

+
,

4y
2y
y

x
y
x

3.5
10
9
0

3
4
1

Soluc
ao
otima:
(x, y ) = (1, 4.2); F = 32.5

136

Problema LP0122 ramificac


ao em x: x 2

max F = 3x + 7y
s. t.:
x
5x
4
x
7

+
,

4y
2y
y

x
y
x

3.5
10
9
0

3
4
2

Sem soluc
ao admissvel.

137

Problema LP01211 ramificac


ao em y : y 4

max F = 3x + 7y
s. t.:
x
5x
4
x
7
x

+
,

4y
2y
y

x
y
x
y

3.5
10
9
0

3
4
1
4

Soluc
ao
otima:
(x, y ) = (1, 4); F = 31
(x, y Z0+ )

138

Problema LP01212 ramificac


ao em y : y 5

max F = 3x + 7y
s. t.:
x
5x
4
x
7

+
,

4y
2y
y

x
y
x
y

3.5
10
9
0

3
4
1
5

Sem soluc
ao admissvel

139


Arvore
de Branch-and-Bound
LP_0
(soluo no inteira)
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
LP_01
(soluo no inteira)
x = 3
y = 3.6
F = 34.5

LP_02
(sem soluo)

y <= 3 y >= 4
LP_011
(soluo inteira)
x = 3
y = 3
F = 30

LP_012
(soluo no inteira)
x = 1.7
y = 4
F = 33.2
x <= 1 x >= 2
LP_0121
(soluo no inteira)
x = 1
y = 4.2
F = 32.5

LP_0122
(sem soluo)

y <= 4 y >= 5
LP_01211
(soluo inteira Bma)
x = 1
y = 4
F = 31

LP_01212
(sem soluo)

140

Limites
Limites (inferiores e superiores):
tornam o algoritmo de Branch-and-Bound mais eficiente ao permitir descartar
n
os da
arvore de pesquisa ainda n
ao completamente explorados, pela certeza de
que nunca originar
ao soluc
oes melhores do que as que j
a temos.
permitem medir a dist
ancia (em termos de valor da func
ao objetivo) a que
estamos da soluc
ao o
tima.

Problema de Maximizao
F
Limite Superior LS
Valor da funo objetivo no n mais
promissor ainda no explorado
Soluo tima inteira F*
(desconhecida)

F*- LI LS - LI
Limite Inferior LI
Melhor soluo inteira encontrada
(com o valor mais alto da funo
objetivo)

um limite inferior LI
e dado por
uma soluc
ao inteira que se tenha
j
a obtido a soluc
ao
otima F ?
nunca poder
a ser pior (inferior)
do que a soluc
ao inteira que j
a
temos;
um limite superior LS ser
a dado
pelo maior valor da func
ao
objetivo de entre todos os n
os
ainda n
ao completamente
explorados
(a maior esperanca que ainda
temos de encontrar uma soluc
ao
inteira melhor do que aquela que
j
a temos).

141

Considere um problema de programac


ao linear exclusivamente com vari
aveis inteiras.
Resolvendo o problema atrav
es de Branch-and-Bound, obt
em-se, num determinado
passo, a
arvore representada na figura seguinte.
LP_1
(soluo no inteira)
Z = 100

LP_2
(soluo no inteira)

Z = 85

LP_6
(soluo inteira)
Z= 70

LP_8
(sem soluo)

1.
2.
3.
4.
5.
6.
7.

LP_3
(soluo no inteira)

Z = 91

LP_7
(soluo no inteira)
Z = 79

LP_4
(soluo inteira)
Z= 60

LP_5
(soluo no inteira)
Z = 75

LP_9
(soluo no inteira)

Z = 65

Trata-se de um problema de maximizac


ao ou de minimizac
ao?
Qual
e, nesta altura, o melhor limite superior sobre a soluc
ao inteira
otima?
Qual
e, nesta altura, o melhor limite inferior sobre a soluc
ao inteira
otima?
Indique que n
os j
a foram explorados e explique porqu
e.
Indique os n
os que ainda n
ao foram explorados e explique porqu
e.
J
a foi atingida a soluc
ao
optima do problema inteiro? Porqu
e?
Qual o valor m
aximo do erro absoluto sobre a soluc
ao o
ptima inteira, se o
algoritmo for terminado neste ponto?
142

1. Trata-se de um problema de maximizac


ao pois a introduc
ao de restric
oes na

arvore de pesquisa implica uma reduc


ao no valor da func
ao objetivo.
2. O melhor limite superior sobre a soluc
ao inteira
otima no momento de resoluc
ao
retratado na
arvore
e dado pela soluc
ao do problema LP5 e
e igual a 75.
Qualquer soluc
ao inteira que surja a partir da explorac
ao desse n
o ter
a um valor
da func
ao objetivo 75
3. Os limites inferiores s
ao dados por valores de soluc
oes admissveis (vari
aveis j
a
inteiras) que ainda se desconhece se s
ao ou n
ao
otimas. Neste caso temos j
a2
soluc
oes inteiras, para LP6 e para LP4. A que tem o maior valor da func
ao
objetivo fornece o melhor limite inferior, 70 neste caso.
4. J
a foram explorados os n
os LP1, LP2, LP3 e LP7 porque j
a t
em ramos.
Os n
os LP4 e LP6 j
a foram explorados porque deram origem a soluc
oes inteiras.
O n
o LP8 j
a foi explorado porque corresponde a um problema sem soluc
ao
admissvel.
O n
o LP9 j
a foi explorado porque pode ser cortado. Corresponde a um problema
com soluc
ao
otima n
ao inteira e com um valor para a func
ao objetivo inferior ao
valor da soluc
ao inteira do problema LP6.
5. O n
o LP5 ainda n
ao foi explorado, dado que corresponde a um problema com
soluc
ao
optima n
ao inteira, mas com um valor para a func
ao objetivo superior ao
valor da melhor soluc
ao inteira obtida at
e ao momento (problema LP6).
6. Ainda n
ao
e possvel saber se j
a foi obtida a soluc
ao o
tima do problema inteiro,
porque ainda h
a n
os por explorar (LP5).
S
o quando os melhores limites inferiores e superiores coincidirem
e que se pode
afirmar que a melhor soluc
ao inteira obtida
eao
tima.
7. Se o algoritmo for terminado neste ponto, o valor m
aximo do erro absoluto sobre
a soluc
ao
otima inteira ser
a 5, valor que corresponde `
a diferenca entre os
melhores limites superior e inferior.
143

Para um problema de programac


ao inteira foi construda a
arvore de
Branch-and-Bound representada na figura.
Na
arvore est
a representada a ordem de criac
ao dos n
os, bem como o valor da func
ao
objetivo sempre que existe soluc
ao.
(1)
20
(2)
30
(4)
31,3

(integer solu3on)

(3)
20
(5)
40

(6)
21,2

(integer solu3on)

(7)
21,2

1. Determine o erro absoluto sobre a soluc


ao
otima inteira para cada um dos n
os.
2. Que n
os ainda
e necess
ario explorar?

144

Quest
oes em aberto
Dado um conjunto de n
os ainda n
ao explorados, como escolher o n
o seguinte a
explorar?

Pesquisa em profundidade
Selec
ao do n
o que est
a mais fundo na

arvore (
ultimo n
o a ser gerado).

Pesquisa em largura
Selec
ao do n
o que est
a mais acima na

arvore (o n
o mais antigo ainda n
ao explorado).
P0

P0

P1

P1

P2
P3

P3

P2

P4

P5

P6

P4

Pesquisa pelo n
o mais promissor:
Selec
ao do n
o que tem melhor valor de
func
ao objetivo (aquele que potencialP5
P6
mente nos pode levar `
a melhor soluc
ao
inteira).
Depois de selecionado o n
o a explorar, que vari
avel escolher para ramificac
ao, de
entre todas as vari
aveis que n
ao tomam valores inteiros?
A vari
avel a escolher depender
a da aplicac
ao e do significado fsico de cada uma
das vari
aveis.
145

Resoluc
ao de Problemas com Vari
aveis
Inteiras
Exerccios

146

Problema PID
Para um problema de programac
ao inteira foi construda a
arvore de
Branch-and-Bound representada na figura.
Na
arvore est
a representada a ordem de criac
ao dos n
os, bem como o valor da func
ao
objetivo sempre que existe soluc
ao.
N 0
93
N 1
84
N 3
79
N 5
52
N 7
Sem
soluo

N 2
82
N 4
76

N 6
29
N 8
49
Soluo
inteira

N 9
64

N 10
81
N 11
71

N 13
47

N 12
69

N 14
38
Soluo
Inteira

1. Que informac
ao se pode extrair desta
arvore?
2. Que n
os ainda
e necess
ario explorar?
147

Bolsas para os Jogos Olmpicos I


11

Tendo em vista o sucesso da participac


ao Portuguesa nos Jogos Olmpicos de Londres
2012, o Comit
e Olmpico Portugu
es (COP) criou o Projeto Londres 2012. No
ambito
deste projeto, ser
ao atribudas bolsas de apoio `
a preparac
ao de atletas portugueses. As
bolsas poder
ao ser coletivas ou individuais.
O COP tem de decidir quantas bolsas coletivas e quantas bolsas individuais dever
a
atribuir, de forma a maximizar o n
umero total de bolsas atribuidas.
A equipa de investigac
ao operacional do COP (IOCOP) definiu o modelo de
Programac
ao Inteira para este problema, apresentado em seguida. Neste modelo, x e
y s
ao as vari
aveis de decis
ao e representam, respetivamente, o n
umero de bolsas
coletivas e o n
umero de bolsas individuais a atribuir.
Max

Z =x +y

suj. a:
x + 3, 7y
0, 25x + 0, 75y
y
x, y

18
0
2
0 e

inteiras

148

Bolsas para os Jogos Olmpicos II


Definido o modelo, a IOCOP ocupa-se agora com a determinac
ao da sua soluc
ao

otima, utilizando o m
etodo de Branch-and-Bound, tendo obtido at
e ao momento a

arvore apresentada na figura, onde todos os valores est


ao representados com a
precis
ao de uma casa decimal.

N 1
X = 8,1
Y = 2,7
Z = 10,8
X9

X8
N 2
X=8
Y = 2,7
Z = 10,7
Y2

Y3

N 3
X=6
Y=2
Z=8

N 4
X = 6,9
Y=3
Z = 9,9
X6

X7

N 5
X=6
Y = 3,2
Z = 9,2

149

Bolsas para os Jogos Olmpicos III

1. A IOCOP n
ao sabe se deve continuar com a ramificac
ao da
arvore, ou se deve
utilizar somente a informac
ao que possui at
e ao momento.
Se utilizasse somente a informac
ao que possui at
e ao momento:
1.1 Quantas bolsas coletivas e quantas bolsas individuais deveria a COP atribuir?
1.2 Quantas bolsas o COP poderia estar a deixar de atribuir?

2. A IOCOP decidiu continuar com a ramificac


ao da
arvore para tentar obter uma
soluc
ao melhor para o problema inicial. Sabendo que os n
os na figura est
ao
numerados pela ordem pela qual foram resolvidos, indique qual ser
a o pr
oximo n
o
que a IOCOP deve ramificar, de forma a continuar com a mesma estrat
egia de
ramificac
ao que foi utilizada at
e ao momento. Justifique.
3. Ajude a IOCOP a ramificar o sub-problema do N
o 5, utilizando o m
etodo gr
afico.
Deve apresentar um gr
afico que permita identificar de forma clara:
3.1 Restric
oes do sub-problema e regi
ao admissvel;
3.2 Soluc
ao
otima;
3.3 Isolinha da func
ao objetivo na soluc
ao
otima;

4. Ap
os a resoluc
ao do sub-problema do N
o 5, a IOCOP pretende saber se j
a
encontrou a soluc
ao
otima do problema inicial. Valeu a pena a resoluc
ao deste
sub-problema adicional? Justifique.

11

Exame de 2011.11.28 de IO do MIEM da FEUP


150

Planeamento e Controlo de Projetos

Planeamento e Controlo de Projetos Objetivos de Aprendizagem

A partir da descric
ao de um projeto, incluindo a lista de atividades e as respetivas
preced
encias assim como a durac
ao m
edia e o desvio-padr
ao de cada atividade:
desenhar a rede de atividades, na notac
ao de atividades nos n
os;
calcular, para cada atividade, as datas de incio mais cedo e mais tarde, assim como as
datas de fim mais cedo e mais tarde;
calcular, para cada atividade, as folgas livres e totais;
determinar o caminho crtico do projeto.

No caso de duraco
es probabilsticas (PERT), calcular:
a probabilidade do projeto ter uma durac
ao diferente da durac
ao m
edia;
a durac
ao associada a uma probabilidade dada.

151

Noc
oes gerais sobre Planeamento e Controlo de Projetos

Definic
ao de Projeto:
Conjunto de atividades inter-relacionadas cuja realizac
ao procura satisfazer um
conjunto de objectivos organizacionais.
Exemplos de projetos:
construc
ao de um edifcio;
lancamento de um novo produto no mercado;
organizac
ao de uma exposic
ao.

Caractersticas de um projeto:
durac
ao limitada;
singularidade, como resultado da especificidade dos objectivos a atingir; das atividades a
realizar; dos recursos necess
arios e/ou disponveis e da organizac
ao encarregada de o
levar a cabo.

Objectivos fundamentais:
o projeto deve ser completado a tempo;
o projeto deve ter um custo t
ao baixo quanto possvel

152

Planeamento e Controlo de Projetos

Planeamento
identificac
ao e caracterizac
ao de objectivos, atividades, recursos disponveis e necess
arios
definic
ao e proposta de um plano de actuac
ao

Controlo
detecc
ao e interpretac
ao de desvios relativamente ao planeado
desencadeamento de medidas corretivas (refazer dinamicamente o plano)

153

Fases do Planeamento e Controlo de Projetos

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

iniciac
ao do projeto;
planeamento;
arranque da execuc
ao das atividades;
execuc
ao das atividades;
recolha de informac
ao;
avaliac
ao dos resultados;
alterac
ao do plano;
termo do projeto;
processamento de informac
ao e arranque de novos projetos.

154

Representac
ao Gr
afica de Projetos

Necessidades
conhecimento detalhado dos trabalhos a realizar;
identificac
ao das atividades nas quais o projeto se decomp
oe.

Caracterizac
ao das atividades :

interdepend
encia em relac
ao a outras atividades (relac
oes de preced
encia);
durac
ao;
utilizac
ao de recursos;
custo de execuc
ao.

155

Representac
ao Gr
afica de Projetos
Lancamento de produto no mercado

Atividade
A
B
C
D
E
F
G
H
I
J
K
L
M

Descric
ao
Organizar o departamento de vendas
Contratar o pessoal de vendas
Treinar o pessoal contratado
Selecionar uma ag
encia de publicidade
Planear a campanha publicit
aria
Executar a campanha publicit
aria
Conceber a embalagem
Montar o processo de embalagem
Adquirir o produto ao fabricante
Embalar o stock inicial
Selecionar os distribuidores
Vender o produto aos distribuidores
Enviar o produto aos distribuidores

Durac
ao (semanas)
6
4
7
2
4
10
2
10
13
6
9
3
5

Atividades
imediatamente
precedentes
A
B
A
D
E
G
H,I
A
C,K
J,L

156

Representac
ao Gr
afica de Projetos
Diagrama de Gantt
Lancamento de produto no mercado

A
B
C
D
E
F
G
H
I
J
K
L
M

10

15

20

25

Tempo
(semanas)

157

Representac
ao gr
afica de Projetos
Rede com atividades nos arcos
Lancamento de produto no mercado

2
A

K
B

5
G

10

J
H

158

Representac
ao gr
afica de Projetos
Redes com atividades nos n
os

A
B

FS (finish/start) incio de B depende do fim de A.


A
B

SS (start/start) incio de B depende do incio de A.


A

FF (finish/finish) fim de B depende do fim de A.

159

Representac
ao gr
afica de Projetos
Rede com atividades nos n
os
Lancamento de produto no mercado

K
L
B

START

END

I
J
G

160

M
etodo CPM
ESi - earliest start | EFi - earliest finish

Data de incio mais pr


oximo da atividade i corresponde `
a durac
ao do caminho mais
longo entre o n
o INICIO e o n
o i.
m

ESm

EFm

dm
ESi
k
ESn

EFi

di
n

EFn

dn

ESi = maxk{m...n} EFk , i


EFk = ESk + dk

161

M
etodo CPM
ESi - earliest start | EFi - earliest finish
Lancamento de produto no mercado

START

A
6

I 13
13

G
2

D
2

E
4

12

12

B
4

10

10

C
7

17

17

K
9

15

J
6

19

H
10

12

13

F 22
10

L
3

20

20

M 25
5

ES X
d

25 END 25
0

EF

162

M
etodo CPM
LFi - latest finish | LSi - latest start

Data de conclus
ao mais afastada da atividade i corresponde `
au
ltima data em que
e
possvel terminar a atividade sem atrasar o projeto.
m
dm
LFm

LSm

di
LFi

n
dn
LSn

LFn

LFi = mink{m...n} LSk , i


LSk = LFk dk

163

M
etodo CPM
LFi - latest finish | LSi - latest start
Lancamento de produto no mercado

D
2

9
0 Incio 0
0
0
0

A
6

I
13

B
4

11

11

10

10

10

10

13

14

E
4

C
7

K
9

12

12

15

15

17

17

17

17

F
10

22
25

L
3

20

20

20

20

M
5

25

15
ES
17
LS

0
2

G
2

H
10

12

13

14

14

J
6

25 Fim 25
0
25
25

25

X
d

EF
LF

19
20

164

M
etodo CPM | Folgas das Atividades
TSi - total slack FSi - free slack

Total Slack m
aximo atraso que o termo de uma atividade pode sofrer (em relac
ao `
a
sua data mais pr
oxima de conclus
ao EF ), sem que isso implique um
atraso no projeto.
TSi = LFi EFi
Free Slack m
aximo atraso que o termo de uma atividade pode sofrer (em relac
ao `
a
sua data mais pr
oxima de conclus
ao EF ), sem impedir que as atividades
subsequentes possam ter incio nas respetivas datas de incio mais
pr
oximas.
FSi = mink{m...n} (ESk ) EFi

ESi

EFi

FSi

di

TSi

LSi

LFi

ESm

EFm

FSm

dm

TSm

LSm

LFm

Folga Livre de i Folga Total de i


FLi FTi

k
ESn

EFn

FSn

dn

TSn

LSn

LFn

165

M
etodo CPM | Folgas das Atividades
Lancamento de produto no mercado

0 START 0
0 0 0
0
0

0
0
0

A
6

6
0
6

0
0
1

I 13
13 1
14

0
0
2

G
2

2
2
4

6
0
9

D
2

8
3
11

8
0
11

E
4

12
3
15

12 F 22
3 10 3
15
25

6
0
6

B
4

10
0
10

10
0
10

C
7

17
0
17

17
0
17

6
2
8

K
9

15
2
17

13
1
14

J
6

19
1
20

2
1
4

H 12
10 2
14

L
3

20
0
20

20
0
20

M
5

25
0
25

ES X
FS d
LS

25 END 25
0 0 0
25
25

EF
TS
LF

166

M
etodo CPM
Resumo - earliest start

16
1
max(1, 2) = 2

I
3

19
ES X EF
FS d TS
LS
LF

167

M
etodo CPM
Resumo - earliest finish

5
2+3=5
2

I
3

16

19
ES X EF
FS d TS
LS
LF

168

M
etodo CPM
Resumo - latest finish

16
2

I
3

5
16

min(16, 19) = 16
3

19
ES X EF
FS d TS
LS
LF

169

M
etodo CPM
Resumo - latest start

16
2

I
3

13
N

4
16 - 3 = 13

5
16
6

19
ES X EF
FS d TS
LS
LF

170

M
etodo CPM
Resumo - total slack

16
2

I
3

13

5
11
16
5

6
16 - 5 = 11

19

ES X EF
FS d TS
LS
LF

171

M
etodo CPM
Resumo - free slack

min(5, 6) - 5 = 0

16

2
0
13
N

I
3

5
11
16
6

19
ES X EF
FS d TS
LS
LF

172

M
etodo CPM
Caminho Crtico

Caminho Crtico
Caminho mais longo (demorado) que
liga o n
o INICIO ao n
o FIM.
Caminho Crtico determina a durac
ao possvel do projeto e
e constitudo pelas
atividades crticas.
Atividades Crticas t
em uma folga total igual a zero.

173

M
etodo CPM | Caminho crtico
Lancamento de produto no mercado

0 START 0
0 0 0
0
0

0
0
0

A
6

6
0
6

0
0
1

I 13
13 1
14

0
0
2

G
2

2
2
4

6
0
9

D
2

8
3
11

8
0
11

E
4

12
3
15

12 F 22
3 10 3
15
25

6
0
6

B
4

10
0
10

10
0
10

C
7

17
0
17

17
0
17

6
2
8

K
9

15
2
17

13
1
14

J
6

19
1
20

2
1
4

H 12
10 2
14

L
3

20
0
20

20
0
20

M
5

25
0
25

ES X
FS d
LS

25 END 25
0 0 0
25
25

EF
TS
LF

174

PERT | Program Evaluation and Review Technique

M
etodo CPM considera que as duraco
es das atividades s
ao determinsticas.
M
etodo PERT
e um m
etodo de planeamento e controlo de projetos que entra em
linha de conta com a incerteza associada `
a durac
ao das atividades.

175

PERT | Durac
ao das atividades

Dop estimativa otimista da durac


ao da atividade. A possibilidade de conclus
ao da
atividade num prazo mais curto
e desprez
avel;
Dpe estimativa pessimista da durac
ao da atividade. A possibilidade de conclus
ao da
atividade num prazo mais longo
e desprez
avel;
Dmp estimativa mais prov
avel da durac
ao da atividade. Durac
ao da atividade quando
tudo se processar dentro da normalidade.

Se durac
ao de uma atividade pode
ser descrita estatisticamente por uma
distribuic
ao Beta ent
ao:
=

Dop +4Dmp +Dpe


6

2 =

(Dpe Dop )2
36

176

An
alise estoc
astica das redes de atividades
Durac
ao total do projeto
e igual `
a soma das durac
oes das atividades do caminho
crtico:
DT = D1 + D2 + D3 + . . . + Dn
Como as durac
oes das atividades s
ao vari
aveis aleat
orias, DT tamb
em ser
a uma
vari
avel aleat
oria com m
edia T dada por:
T = 1 + 2 + 3 + . . . + n
Admitindo que as durac
oes das atividades s
ao vari
aveis aleat
orias independentes, a
2 ser
vari
ancia da durac
ao total T
a:
2 = 2 + 2 + 2 + . . . + 2
T
n
3
2
1

Teorema do Limite Central


A soma de vari
aveis aleat
orias
independentes tende para a
distribuic
ao normal, se o n
umero de
parcelas for suficientemente grande.
A durac
ao total do projeto pode ser descrita por uma distribuic
ao normal com m
edia
2.
T e vari
ancia T
177

PERT | Exemplo
E
20

A
8

Incio
0

B
8

D
9

Ativ.

F
11

G
9

A
B
C
D
E
F
G
H

Fim
0

H
12

C
6

Dop
6
2
4
3
18
9
3
9

Durac
oes (dias)
Dmp
Dpe
7
14
9
10
6
8
10
11
19
26
10
17
10
11
12
15

8
8
6
9
20
11
9
12

2
1.77
1.77
0.44
1.77
1.77
1.77
1.77
1

Durac
ao m
edia do projeto: T = A + D + G + H = 38
2 = 2 + 2 + 2 + 2 = 6.31
Vari
ancia da durac
ao do projeto: T
A
D
G
H

A vari
avel transformada D 0 =

segue uma lei normal (0, 1)

Pretende-se saber qual a probabilidade da durac


ao do projeto ser inferior a 34 dias.
Neste caso Prob(DT < 34) = Prob(DT0 <

3438

)
6.31

= Prob(DT0 < 1.59)

Prob(DT0 < 1.59) 6%, obtida a partir de uma tabela de distribuic


ao normal (0, 1).
178

A limpeza do ShopShopping
12 Quando um centro comercial fecha ao p
ublico continua a fervilhar de vida no seu
preciso limpar, esvaziar contentores, repor stocks nas lojas, fazer
interior. E
manutenc
ao, etc., para que no dia seguinte tudo brilhe como no dia da inaugurac
ao.

Estas tarefas t
em que ser levadas a cabo de uma forma organizada e respeitando
algumas preced
encias entre elas. A sua durac
ao n
ao
e determinstica, mas a
experi
encia acumulada de outros centros comerciais permite estabelecer que a durac
ao
de cada atividade segue uma distribuic
ao normal com m
edia e desvio-padr
ao
conhecidos.
Na tabela seguinte apresenta-se essa informac
ao:
Atividades
Recolha de resduos (RL)
Lavagem de vidros e montras (LVM)
Limpeza do ch
ao (LC)
Desinfestac
ao (D)
Montagem de estruturas e andaimes (MEA)
Manutenc
ao el
ectrica (ME)
Reposic
ao de stocks (RS)
Decorac
ao (DEC)

Atividades imediatamente
anteriores

D,MEA
LVM,DEC,RS

MEA
RL
RL,ME,D,MEA

(horas)
2
3
4
2
1
2
2
1

(horas)
0.5
1
0.5
0
0
1
1
1

1. Indique o valor esperado para a durac


ao do projecto constitudo por estas
atividades, indicando as folgas total e livre para cada atividade.
2. Qual
e a probabilidade de este conjunto de atividades n
ao se concluir nas 10
horas em que o centro comercial est
a encerrado?
12

Exame de 1999.02.11 de IO da LEEC da FEUP


179

A limpeza do ShopShopping Resoluc


ao
1. Desenho da rede e determinac
ao das folgas e do caminho crtico

0
0
0

START

0
0
0

0
0
1

RL

0
0
0

2
1
3

2
1
3

2
0
2

1
0
2

0 MEA 1
0 1 1
1
2

RS

ME

4
1
5

3
1
4

5
0
5

3 DEC 4
1 1 1
4
5

LC

9
0
9

2 LVM 5
0 3 0
2
5
ES

EF

FS

TS

LS

LF

Caminho crtico: D LVM LC


2.
2
caminho
crtico
caminho crtico

02 + 12 + 0.52 = 1.25

2+3+4=9


P(D 10) = P

10 9
Z
1.25

1.25 = 1.118

= P(Z 0.89) 13 0.1867 18.7%

13

Obtida a partir de uma tabela de distribuic


ao normal (0, 1).
180

Planeamento e Controlo de Projetos


Exerccios

181

Banco TTM
O banco TTM (Tost
ao a Tost
ao se faz um Milh
ao) decidiu transferir e ampliar a sua
sede e servicos centrais para a cidade do Porto. Este projeto foi dividido em tarefas,
tendo as suas preced
encias sido estabelecidas e os tempos de execuc
ao m
edios, e seus
desvios-padr
ao, estimados:
Atividade
LO
OA
ME
RTF
PAI
II
PAM
IM
M

1.
2.
3.
4.

Descric
ao
Obtenc
ao de licencas de obras
Obras de alterac
ao do edifcio
Medic
ao do espaco
Recrutamento e treino dos funcion
arios
Planeamento e aquisic
ao de infra-estruturas
Instalac
ao de infra-estruturas
Planeamento e aquisic
ao de mobili
ario
Instalac
ao de mobili
ario
Mudanca

Durac
ao
m
edia
(semanas)
5
21
1
21
24
7
10
1
2

DesvioPadr
ao
(semanas)
1
2
0
1
1
1
1
0
0

Atividades
imediatamente
posteriores
OA, ME RTF
II
PAI, PAM
M
II
IM
IM
M

Desenhe a rede de atividades correspondente ao projeto.


Calcule as folgas totais e livres e determine o caminho crtico.
Qual
e a probabilidade de o projeto se atrasar 2 semanas ou mais?
Durante a execuc
ao do projeto conclui-se que as atividades OA e PAM sofrer
ao
atrasos de 4 e 8 semanas, respectivamente. Ser
a necess
ario alterar a execuc
ao
dessas atividades para que a data prevista para a conclus
ao do projeto n
ao seja
comprometida? Justifique.

182

Estorninhos em Evoramonte I
14
Para resolver os problemas de falha das linhas, devidos aos bandos de estorninhos, foi decidido
construir uma linha a
erea a 30 kV, EV 30-25-32-08-01, com 6268 m, com origem no apoio no 13
da linha de MT a 15 kV (EV 15-37-14-03-01-05) Herdade dos Cortes e t
ermino no apoio no 9 da

linha de MT a 30 kV (EV 30-03-35-11) Convento da Serra dOssa, freguesias de Evoramonte,


Gl
oria e Redondo, concelhos de Estremoz e Redondo. Com esta linha ser
a possvel estabelecer
redund
ancia na distribuic
ao de energia e minimizar os cortes provocados pelos estorninhos.

A construc
ao desta nova linha pressup
oe a execuc
ao de 5 grandes atividades:
(U) Estudo sobre os h
abitos de nidificac
ao dos estorninhos, a levar a cabo pelas populac
oes de
Azaruja, Vimeiro e Estremoz.
(Y) Levantamento topogr
afico do territ
orio a ser atravessado pela linha.
(K) Ajuste directo da empreitada, por urg
encia do interesse p
ublico.
(Z) Construc
ao da linha.
(W) Construc
ao de zonas de nidificac
ao artificiais, para afastar os estorninhos na nova linha.
A sequ
encia e durac
ao destas atividades est
ao representadas na figura.
1. Indique, justificando com os necess
arios c
alculos, os valores das letras a, b, c, d, e, f , g e h
representadas com fundo cinzento na figura.
2. O levantamento topogr
afico (atividade Y)
e executado pela mesma equipa que executa o
estudo sobre os h
abitos de nidificac
ao (atividade U). Considerando que essa equipa tem 16
elementos e que a atividade Y ocupa 10 pessoas durante toda a sua durac
ao (15 dias) e que
a atividade U ocupa 8 pessoas toda a sua durac
ao (10 dias), qual seria a durac
ao mnima que
se conseguiria para este projeto? Porqu
e?

183

Estorninhos em Evoramonte II

3. Considerando que os valores apresentados na figura para a durac


ao das atividades s
ao valores
m
edios, sendo as durac
oes uma vari
avel aleat
oria com distribuic
ao normal de vari
ancia 1,
qual seria a probabilidade de a durac
ao do projeto ser menor ou igual a 29 dias? Justifique.
4. O que seria necess
ario ter em considerac
ao se se quisesse calcular a probabilidade de o
projeto ter uma durac
ao menor ou igual a 27 dias?
0

15

15
0

0
0

15
e

15

15

0
30

10

10

13

30

10

12

30

b
ES

EF

10

FS

TS

17

LF

LS

30
30
0
30

27
3
30

14

Exame de 2008.02.08 de IO do MIEEC da FEUP


184

Filas de Espera

Filas de Espera Objetivos de Aprendizagem

A partir da descric
ao de um problema, verificar se se trata de um problema de
filas de espera M/M/, M/M/S ou M/M/S/K.
Para estes casos, calcular as medidas de desempenho de uma fila de espera (L,
Lq, W, Wq) e as probabilidades associadas quer `
a perman
encia num dado estado
(e.g. Pn) quer as associadas `
as m
etricas (e.g. P(W>t) ).
Avaliar alternativas de configurac
ao de filas de espera (n
umero de servidores e
efici
encia de servidores), a partir de custos atribudos quer ao servico quer ao
tempo dos clientes, e selecionar as melhores.

185

Stay in Queue! (movie)15

15

Stay in queue! A movie by Ferdinand Lutz. Music by Dominik Mueller. http://www.ferdinandlutz.com/


186

Filas de Espera

Autom
oveis aguardam em filas nas
bombas de gasolina, nos
sem
aforos, nas entradas dos
parques de estacionamento.
Pessoas aguardam em fila nas
caixas dos supermercados, nas
paragens de autocarro, nos
elevadores.
Doentes aguardam, numa fila
virtual, o
rg
aos para transplante, a
marcac
ao de uma intervenc
ao
cir
urgica.
Navios aguardam em fila para
entrarem nos portos, nas eclusas
dos canais.
Documentos aguardam em fila
pela impressora. Ficheiros
aguardam em fila disponibilidade
de processador.
Em-cursos de fabrico aguardam
em fila pela pr
oxima m
aquina.

187

Filas de Espera
Trabalho pioneiro de A. K. Erlang (incio do s
ec. XX), cientista dinamarqu
es, sobre
chamadas telef
onicas aguardando linha para serem encaminhadas.16

16

Telefon-Ventetider. Et Stykke Sandsynlighedsregning, in Matematisk Tidsskrift, B, 1920 (a paper on telephone


waiting times, in Danish, digitized by Project Runeberg http://runeberg.org/img/matetids/1920b/0029.pdf)
188

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda I
Maria Jos
e, administrativa respons
avel pelas marcac
oes no consult
orio da Dra
Fernanda, sabe que a Dra Fernanda, como n
ao quer fazer investimentos numa sala de
espera, n
ao quer ter doentes `
a espera. Apesar de saber que as consultas da Dra
Fernanda demoram sempre 20 minutos, para garantir que nunca h
a doentes `
a espera,
a Maria Jos
e decidiu marcar apenas dois doentes por hora e exatamente para as meias
horas.
A Maria Jos
e
e muito organizada e preparou a folha seguinte para registar as chegadas
e sadas dos doentes durante o perodo da manh
a:
Taxa$de$chegada
por$hora
Padro$de$chegadas
Tempo$de$atendimento

Atendimento$livre
Cliente$na$fila

Tempo$(horas)
Atendimento
Fila

10h00

11h00

Cliente$a$ser$atendido

12h00

10min

horas
9h00

189

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda II
O resultado dos registos durante a primeira manh
a est
a representado na figura
seguinte.
O que aconteceu durante a manh
a n
ao foi surpreendente para a Maria Jos
e. A Dra
Fernanda teve um pequeno intervalo de 10 minutos entre doentes (ao todo 20 minutos
por hora) e nunca estiveram clientes `
a espera. A Maria Jos
e verificou tamb
em que lhe
bastaria ter feito os registos para uma hora pois em todas as horas da manh
a
aconteceu o mesmo padr
ao de chegadas e de atendimento.

Tempo$(horas)
Atendimento
Fila

Atendimento$livre
Cliente$na$fila
10h00

Cliente$a$ser$atendido

11h00

12h00

10min

Taxa$de$chegada
2 por$hora
Padro$de$chegadas *
Tempo$de$atendimento
1/3 horas
9h00

190

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda III
Depois de experimentar este m
etodo durante uma manh
a a Maria Jos
e decidiu alterar
as marcac
oes dos doentes. Marcou, em cada hora, um doente para a hora certa e
outro para 10 minutos depois. Os registos da Maria Jos
e est
ao representados na figura
seguinte. Apesar das consultas da Dra Fernanda continuarem a demorar 20 minutos e
de o n
umero de doentes por hora tamb
em se manter, em cada hora dessa manh
a
houve um perodo com um doente `
a espera. A Dra Fernanda manteve os mesmos 20
minutos de intervalo por hora, mas desta vez concentrados apenas num perodo.
Taxa$de$chegada
2 por$hora
Padro$de$chegadas * *
Tempo$de$atendimento
1/3 horas

Atendimento$livre
Cliente$na$fila

Tempo$(horas)
Atendimento
Fila

10h00

11h00

12h00

10min

9h00

Cliente$a$ser$atendido

1
2

3
4

5
6

7
8

191

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda IV
possvel comparar as duas situac
E
oes anteriores atrav
es de um conjunto de medidas
de desempenho tais como: n
umero m
edio de doentes no consult
orio (L), n
umero
m
edio de doentes `
a espera (Lq ), tempo m
edio dos doentes no consult
orio (W ) e
tempo m
edio dos doentes `
a espera (Wq ).
Atendimento$livre
Cliente$na$fila
10h00

Cliente$a$ser$atendido

11h00

12h00

Taxa$de$chegada
2 por$hora
Padro$de$chegadas * *
Tempo$de$atendimento
1/3 horas

Atendimento$livre
Cliente$na$fila

9h00
1

20 = 2
L = 1 40
+ 0 60
60
3
20 = 0
Lq = 0 40
+ 0 60
60

W = (1 40 + 0 20)/2 = 20 minutos
= 13 hora
Wq = (0 40 + 0 20)/2 = 0 minutos
= 0 hora

Tempo$(horas)
Atendimento
Fila

10h00

Cliente$a$ser$atendido

11h00

12h00

10min

Tempo$(horas)
Atendimento
Fila

10min

Taxa$de$chegada
2 por$hora
Padro$de$chegadas *
Tempo$de$atendimento
1/3 horas
9h00

1
2

3
4

5
6

7
8

30 + 0 20 = 5
L = 2 10
+ 1 60
60
60
6
10 + 0 30 + 0 20 = 1
Lq = 1 60
60
60
6

W = (2 10 + 1 30 + 0 20)/2 = 25 minutos
5 hora
= 12
Wq = (1 10 + 0 30 + 0 20)/2 = 5 minutos
1 hora
= 12

Em ambos os casos a Dra Fernanda esteve ocupada 32 do tempo, pois chegam 2


doentes por hora e a Dra Fernanda conseguiria atender 3 doentes por hora.
A esse quociente deu-se o nome de taxa de ocupac
ao =

taxa de chegada ()
.
taxa de atendimento ()
192

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda V
W , o tempo m
edio total que cada doente est
a no consult
orio corresponde `
a soma
entre o tempo m
edio total que o doente est
a na fila Wq e o tempo de atendimento
W = Wq +tempo de atendimento= Wq +

1
.

A taxa de chegada relaciona L com W e tamb


em Lq com Wq .

L = W
Lq = Wq

Das express
oes anteriores retira-se que

W = Wq +

L = Lq +

193

Filas de Espera Determinsticas


O consult
orio da Dra Fernanda VI
Depois de se ter certificado que o seu m
etodo de marcaco
es funcionava corretamente
a Maria Jos
e decidiu utiliz
a-lo nas consultas da tarde com a Dra Teresa. Fez ent
ao as
marcac
oes para dois doentes por hora e exatamente para as meias horas. As consultas
da Dra Teresa demoram sempre 40 minutos. A Maria Jos
e registou de novo na sua
folha as chegadas e sadas dos doentes em todo o perodo da tarde. A tarde no
consult
orio foi o caos que est
a representado na figura seguinte.
Taxa$de$chegada
2 por$hora
Padro$de$chegadas *
Tempo$de$atendimento
2/3 horas
14h00

Atendimento$livre
Cliente$na$fila
15h00

Cliente$a$ser$atendido

16h00

17h00

18H00

19h00

20h00

10min

Tempo$(horas)
Atendimento
Fila

1
2

2
3

2
3

3
4

3
4

3
4

4
5

4
5

4
5

4
5
6

5
6

5
6

5
6
7

5
6
7

6
7

6
7
8

6
7
8

6
7
8

7
8
9

7
8
9

7
8
9

7 8 8 8 8 9 9 9 9 10
8 9 9 9 9 10 10 10 10 11
9 10 10 10 10 11 11 11 11 12
10
11 11
12 12 12 13

A taxa de chegada = 2 tamb


em neste caso pois a Maria Jos
e marcou as consultas
para as meias horas. No entanto a Dra Teresa consegue apenas atender 1,5 doentes
por hora (taxa de atendimento = 1, 5). Calculando a taxa de ocupac
ao da Dra

2
Teresa naquela tarde: Teresa =
= 1,5
> 1 consegue-se perceber facilmente porque
raz
ao a tarde no consult
orio da Dra Fernanda foi ca
otica nesse dia!

194

Estrutura de um sistema de fila de espera

Sistema = Fila + Servico


Fonte / Populac
ao gera os clientes que v
ao chegar ao sistema.
Fila constituda pelos clientes `
a espera para serem atendidos
(n
ao inclui os clientes em atendimento).
Servico / Atendimento pode ser constitudo por um ou mais postos de atendimento.
Estado do Sistema n
umero de clientes no sistema (em cada instante).

195

Filas de Espera
Caraterizac
ao da Fonte / Populac
ao I
Dimens
ao da Populac
ao infinita: quando a probabilidade de ocorrer uma nova
chegada n
ao
e influenciada pelo n
umero de
clientes que j
a se encontram no sistema;
finita
Dimens
ao da Chegada
clientes chegam um a um;
clientes chegam em grupo.
Controlo das Chegadas
chegadas control
aveis (p.ex. inscrico
es em dias fixos);
chegadas incontrol
aveis (p.ex. urg
encia de um
hospital).
Distribuic
ao das Chegadas O padr
ao das chegadas pode ser descrito pelo tempo
entre duas chegadas consecutivas (tempo entre
chegadas) ou pelo n
umero de chegadas por unidade de
tempo (distribuic
ao das chegadas).
constante: intervalos de tempo entre chegadas sucessivas
fixos (p.ex. filas de montagem industriais);
aleat
oria: os intervalos de tempo entre chegadas
sucessivas n
ao podem ser previstos com
certeza distribuic
oes de probabilidade.

196

Filas de Espera
Caraterizac
ao da Fonte / Populac
ao II

Taxa de Chegada () N
umero m
edio de clientes que procuram o servico por
unidade de tempo.
independente do estado do sistema;
dependente do estado do sistema:
n , onde n
e o n
umero de clientes no sistema.
Atitude dos clientes

paciente clientes permanecem na fila at


e serem
atendidos boa aproximac
ao quando
h
a poucas desist
encias;
impaciente clientes desistem de esperar ou
simplesmente n
ao se juntam `
a fila se
esta for muito grande utilizac
ao de
modelos de simulac
ao.

197

Filas de Espera
Caraterizac
ao da Fila

N
umero de Filas fila simples: uma u
nica fila mesmo que o servidor tenha
v
arios postos de atendimento;
fila m
ultipla: uma fila por posto de atendimento
Nesses casos cada conjunto fila/posto de
atendimento constitui um sistema separado
de fila de espera e
e usual repartir as
chegadas igualmente pelas v
arias filas.
Comprimento da Fila infinito: a capacidade m
axima da fila
e muito grande
quando comparada com o n
umero de elementos
que habitualmente a constituem;
finito: a fila pode acolher apenas um n
umero pequeno
de clientes.
Disciplina da Fila
FIFO First In First Out;
prioridades: p.ex. reservas, idade, emerg
encia;
aleat
oria.

198

Filas de Espera
Caraterizac
ao do Servico
Configurac
ao do Servico N
umero de servidores (postos de atendimento) em paralelo
e n
umero de fases de atendimento:
um servidor, uma fase;
um servidor, m
ultiplas fases;
m
ultiplos servidores, uma fase;
m
ultiplos servidores, m
ultiplas fases;
redes de filas de espera.
Dimens
ao do Servico
simples;
em grupo
(p.ex. um elevador atende v
arios clientes em
simult
aneo).
Tempo de Servico
constante;
aleat
orio: distribuic
ao exponencial negativa, Erlang,
etc. . .
Taxa de Servico () N
umero m
edio de clientes que podem ser atendidos por
cada servidor e por unidade de tempo. 1 = durac
ao m
edia
do servico.
Se o n
umero m
edio de clientes efetivamente atendidos
pode haver momentos de inatividade.
dependente do estado do sistema (n )
(p.ex. servico de reclamac
oes que atendesse mais
depressa as reclamac
oes quando a fila
e maior: maior
produtividade ou degradac
ao da qualidade do servico?)
independente do estado do sistema.
199

Filas de Espera
Objetivo da Modelizac
ao
Objetivo da Modelizac
ao de Filas de Espera
Otimizar o funcionamento das filas de espera, encontrando soluc
oes
equilibradas entre dois extremos:
Congestionamento e Rarefac
ao

Congestionamento taxa de ocupac


ao dos servidores pr
oxima dos 100% os clientes
t
em que esperar muito tempo na fila. Esta situac
ao s
o
e aceit
avel
quando o custo do servidor
e muito maior do que o custo de
espera dos clientes.
Rarefac
ao os servidores permanecem inativos durante uma percentagem de
tempo elevada (situac
ao por vezes desej
avel, p.ex. servicos de
bombeiros, blocos operat
orios, etc. . . ).

Trade-off entre o custo do servico e o


custo do tempo perdido pelos clientes na
fila de espera
200

Filas de Espera
Medidas de Desempenho

Lq
L
Wq
W

comprimento m
edio da fila;
n
umero m
edio de clientes no sistema;
tempo m
edio de espera na fila;
tempo m
edio de espera no sistema;
taxa m
edia de ocupac
ao (e desocupac
ao) do servico
(percentagem de tempo durante o qual o servico est
a ocupado)

Outras medidas de desempenho:


Pn
P(n k)
P(Wq = 0)
P(Wq > t)
P(W > t)

probabilidade de existirem n clientes no sistema;


P
=
n=k Pn probabilidade de existirem no sistema k ou mais clientes;
probabilidade de o tempo de espera na fila ser zero;
probabilidade de o tempo de espera na fila exceder t;
probabilidade de o tempo gasto no sistema exceder t.

201

Filas de Espera
Par
ametros

taxa de chegada
(n
umero m
edio de clientes que chegam por unidade de tempo)
1

intervalo m
edio entre duas chegadas consecutivas;

n taxa de chegada quando est


ao n clientes no sistema;
P

P
taxa
m
e
dia
de
entrada no sistema;
=
n
n
n=0
taxa de servico
(n
umero m
edio de clientes que cada servidor tem capacidade para
atender por unidade de tempo);
1

tempo m
edio de servico;

n taxa de servico quando est


ao n clientes no sistema;
S n
umero de servidores;
taxa de ocupac
ao (par
ametro auxiliar).

202

Filas de Espera
Caraterizac
ao das Distribuic
oes das Chegadas e do Atendimento

Recolher informac
ao sobre chegadas de clientes e seu atendimento.
Descrever a informac
ao recolhida, sobre chegadas de clientes e seu atendimento,
atrav
es de histogramas e par
ametros amostrais (m
edia, vari
ancia,...).
Inferir dos par
ametros amostrais os par
ametros da populac
ao.
Ajustar uma distribuic
ao te
orica ao histograma experimental, i.e., escolher uma
distribuic
ao estatstica que descreva adequadamente o fen
omeno analisado.

Distribuico
es que mais frequentemente
caracterizam as filas de espera reais:

chegadas seguindo uma distribuic


ao de Poisson;
tempo de atendimento caraterizado por uma distribuic
ao exponencial negativa.

203

Distribuic
ao Exponencial Negativa

Func
ao densidade de probabilidade de T

e t se t 0
f (t) =
0
se t < 0
Distribuic
ao acumulada
F (t) = P(T t) = 1e t
M
edia E (T ) =

(t 0)

Vari
ancia Var (T ) =

1
2

204

Distribuic
ao de Poisson

Func
ao distribuic
ao de probabilidade de X
f (x) =
f(x)

(t)x e t
x!

x = 0, 1, 2, . . .

Distribuic
ao acumulada

0.3
0.25

F (t) = P(T t) = 1e t

0.2
0.15
0.1
0.05
0
0

Funo densidade de probabilidade de uma


varivel com distribuio de Poisson (t=2)

(t 0)

t par
ametro da distribuic
ao
n
umero m
edio de acontecimentos
por unidade de tempo
t comprimento do intervalo de tempo
em an
alise
x n
umero de acontecimentos durante o
intervalo t
M
edia E (X ) = t
Vari
ancia Var (X ) = t

205

Propriedades

Se o tempo entre dois acontecimentos consecutivos segue uma distribuic


ao
exponencial negativa com par
ametro , ent
ao o n
umero de acontecimentos por
unidade de tempo t segue uma distribuic
ao de Poisson com par
ametro t.
A distribuic
ao exponencial negativa n
ao tem mem
oria, i.e., a probabilidade de
ocorr
encia de um acontecimento
e independente do instante de tempo em que
ocorreu o acontecimento imediatamente anterior.
Sejam T1 , T2 , . . . , Tn vari
aveis aleat
orias com distribuic
ao exponencial negativa e
par
ametros 1 , 2 , . . . , n . A vari
avel u = min{T1 , T2 , . . . , Tn }, que representa o
tempo at
e que o primeiro de entre n acontecimentos ocorra,
segue uma
P
distribuic
ao exponencial negativa com par
ametro = ni=1 i .
Esta propriedade permite modelizar sistemas com k servidores id
enticos (mesma
distribuic
ao) com par
ametro , operando em paralelo, como um u
nico servidor
com par
ametro k (o pr
oximo cliente
e atendido quando o primeiro servidor ficar
livre).
Desagregac
ao se a chegada de clientes seguir uma distribuic
ao de Poisson com
par
ametro , e esses clientes puderem ser divididos em diferentes tipos de tal
forma que a probabilidade pi de o cliente ser de um dado tipo i seja fixa e
P
ao a chegada de cada um dos clientes segue ainda uma distribuic
ao
i pi = 1, ent
de Poisson com par
ametro i = pi .

206

Filas de Espera
Modelac
ao por Processos de Vida e Morte I
Processos de Vida e Morte s
ao processos estoc
asticos sem mem
oria que, aplicados `
as
filas de espera, associam vida a uma chegada `
a fila e morte `
a sada de um cliente
depois de atendido.
Dado que no instante t o sistema se encontra no estado n:
o tempo que separa t do pr
oximo nascimento (chegada) segue uma distribuic
ao
exponencial negativa com par
ametro n ;
o tempo que separa t da pr
oxima morte (servico terminado) segue uma distribuic
ao
exponencial negativa com par
ametro n .

Nunca podem ocorrer simultaneamente mais do que um nascimento ou uma


morte (transic
ao apenas para estados adjacentes).

207

Filas de Espera
Modelac
ao por Processos de Vida e Morte II

Pressuposto
Estados Estacion
arios / Estados de Equilbrio

Excluem-se deste modelo estados transit


orios, tais como:
a fila tende para infinito porque a taxa de chegada excede a capacidade de
atendimento;
a taxa de chegada varia ao longo do tempo;
incios de funcionamento com n
umeros anormais de clientes.

208

Filas de Espera
Relac
oes fundamentais

Relac
oes fundamentais entre o n
umero de elementos no sistema (L) e na fila (Lq ), e
os correspondentes tempos de espera no sistema (W ) e na fila (Wq ), para filas de
espera em equilbrio.
Admitindo taxas de chegada e de servico constantes e independentes do estado do
sistema:
L
Lq

=
=

W
Wq

Wq +

Lq +

(4)
(5)
(6)
(7)

Se a taxa de chegada depender do estado do sistema, ent


ao deve ser substitudo
por nas equac
oes (4) e (5).
A equac
ao (6)
e v
alida qualquer que seja o n
umero de servidores, desde que o tempo
m
edio de atendimento ( 1 ) seja igual para todos.

209

Classificac
ao das Filas de Espera X /Y /Z /W

17

X , Y Distribuic
oes do intervalo de tempo entre chegadas e do tempo de servico,
respetivamente:
M distribuic
ao exponencial negativa;
G distribuic
ao n
ao especificada (qualquer distribuic
ao);
D chegadas ou atendimentos determinsticos.
Z n
umero de servidores em paralelo.
W outras caractersticas do sistema, tais como comprimento da fila limitado ou
populac
ao finita:
em branco ou modelo-base sem qualquer restric
ao adicional;
K comprimento da fila limitado, n
ao podendo o n
umero de
elementos no sistema exceder K ;
N populac
ao finita.
Exemplo: M/M/1
Fila de espera com chegadas Poissonianas,
atendimentos exponencias negativos e um
servidor.
17
Baseada na classificac
ao proposta por Kendall, D. G. (1953). Stochastic Processes Occurring in the Theory of
Queues and their Analysis by the Method of the Imbedded Markov Chain. Annals of Mathematical Statistics,
24(3), 338-354.
210

Modelo b
asico com um servidor M/M/1

Pn Probabilidade de estarem n clientes no


sistema

P0

P1

P2

...

n-1

Pn-1

n+1

Pn

Pn+1

Sistema em equilbrio
capacidade de atendimento > n
umero m
edio de clientes que procuram o
servico
taxa de ocupac
ao < 1

211

Filas M/M/1
Determinac
ao das equac
oes de equilbrio I

Estado 0
N
umero de entradas no estado 0 por unidade de tempo = P1
(passagem do estado 1 para o estado 0 por sada do sistema de um cliente atendido)

N
umero de sadas do estado 0 por unidade de tempo = P0
(passagem do estado 0 para o estado 1 por chegada de um cliente ao sistema)

Equac
ao de Equilbrio do Estado 0
P1 = P0

P1 =

P0

(8)

212

Filas M/M/1
Determinac
ao das equac
oes de equilbrio II

Estado 1
N
umero de entradas no estado 1 por unidade de tempo = P0 + P2
(do estado 0 por chegada de um cliente ao sistema ou do estado 2 por sada do sistema de um cliente atendido)

N
umero de sadas do estado 1 por unidade de tempo = P1 + P1
(para o estado 2 por chegada de um cliente ao sistema ou para o estado 0 por sada do sistema de um cliente
atendido)

Equac
ao de Equilbrio do Estado 1
=0 pela equac
ao (8)

P0 + P2 = P1 + P1

P2 =

1
P1 +

z
}|
{
(P1 P0 )

Usando novamente a equac


ao (8) obt
em-se:
P2 =

P1 =

 2

P0

(9)

213

Filas M/M/1
Determinac
ao das equac
oes de equilbrio III

Estado 2
N
umero de entradas no estado 2 por unidade de tempo = P1 + P3
(do estado 1 por chegada de um cliente ao sistema ou do estado 3 por sada do sistema de um cliente atendido)

N
umero de sadas do estado 2 por unidade de tempo = P2 + P2
(para o estado 3 por chegada de um cliente ao sistema ou para o estado 1 por sada do sistema de um cliente
atendido)

Equac
ao de Equilbrio do Estado 2
=0 pela equac
ao (9)

P1 + P3 = ( + )P2

1
P2 +

P3 =

P3 =

 3

P0

z
}|
{
(P2 P1 )

(10)

214

Filas M/M/1
Determinac
ao das equac
oes de equilbrio IV

Estado n
 n

Pn =
P0 = n P0

P0
e obtido impondo a condic
ao

X
n=0

Pn =

X
n=0

n=0

(11)

Pn = 1:

n P0 = 1

X
1
1
=
n =
P0
1

n=0

P0 = 1

n
ao geom
etrica de raz
ao , que ser
a convergente se
n=0 representa uma progress
1
< 1, sendo, nesse caso, a soma dada por 1
.

Substituindo P0 por 1 na equac


ao (11) obt
em-se:
Pn = n (1 )

(12)

O n
umero m
edio de clientes no sistema
e, por definic
ao, a m
edia dos n estados
possveis
encia
Pdo sistema, ponderados pelas respetivas probabilidades de ocorr
(L = n=0 nPn ).
215

Filas M/M/1
Determinac
ao das equac
oes de equilbrio V

Usando estes resultados e as relaco


es fundamentais das filas de espera, chega-se ao
seguinte conjunto de caractersticas para o modelo M/M/1.

216

Filas de Espera
Caractersticas do modelo M/M/1

Chegada: Poissoniana
clientes
Taxa de chegada:
unid. de tempo
Populac
ao =
Fila m
axima =

Tempo de atendimento: exponencial negativo


clientes
Taxa de atendimento:
unid. de tempo e servidor
o
N de servidores: 1

<1
Taxa de ocupac
ao =
Taxa de desocupac
ao 1

Lq =

(n 1)Pn =

n=1

L=

nPn = Lq +

n=0

P0 = 1
Pn = n P0
P(n > k) = k+1

2
( )

Wq =

Lq

( )

W = Wq +

1
L
1
=
=

P(W > t) = e (1)t , t 0


P(Wq > t) = e (1)t , t 0
P(Wq = 0) = P0

217

Filas de Espera M/M/1


Armaz
em

Um armaz
em recebe encomendas que s
ao descarregadas usando empilhadores. Um
levantamento de dados realizado no local permitiu concluir que:
os cami
oes chegam segundo um processo de Poisson a uma taxa de 16
cami
oes/dia;
os tempos de descarga s
ao vari
aveis (seguindo uma distribuic
ao exponencial
negativa) com m
edias que dependem do n
umero de empilhadores utilizados:
N
umero
de empilhadores
1
2
3
4
5

Tempo m
edio
de descarga (minutos)
50
20
15
12
10

a operac
ao de cada empilhador custa 15 e/hora;
a imobilizac
ao dos cami
oes acarreta um encargo de 30 e/hora.
Pretende-se dimensionar a equipa de descarga de modo a minimizar os custos globais
do sistema, que funciona 8 horas por dia.

218

Filas de Espera M/M/1


Armaz
em | Resoluc
ao I

Embora sejam usados v


arios empilhadores temos apenas 1 servidor, uma vez que todos os empilhadores descarregam
o mesmo cami
ao, traduzindo-se o aumento do n
umero de empilhadores num aumento da taxa de servico.
A taxa de servico (inverso do tempo m
edio de descarga) s
o
e maior do que a taxa de chegada ( = 2) para dois ou
mais empilhadores (tempo m
edio de descarga 20 minutos). S
o se pode usar o modelo M/M/1 para dois ou
mais empilhadores, pois para um empilhador a fila cresceria ilimitadamente, nunca atingindo o estado de equilbrio.
Para se saber qual o n
umero de empilhadores que origina menor custo global ter
a que se resolver o problema para
2,3,4,5,... empilhadores, calcular o custo associado e escolher o melhor.
Utilizando o quadro construdo para o modelo M/M/1 e os dados deste problema, obt
em-se o seguinte quadro:
No de
empilhadores

Tempo
m
edio de
descarga

n
1
2
3
4
5

1/
50
20
15
12
10

Taxa de
servico

Taxa de
ocupac
ao

(cami
oes/h)

1.20
3.00
4.00
5.00
6.00

/
1.67
0.67
0.50
0.40
0.33

Tempo m
edio
no sistema
por cami
ao
(h)
W

Tempo total m
edio
di
ario de imobilizac
ao
dos cami
oes
(h)
(8 ) W

Custo di
ario
de imobilizac
ao
dos cami
oes
(e)
30 (8 ) W

Custo di
ario
dos
empilhadores
(e)
15 8 n

1.00
0.50
0.33
0.25

16.00
8.00
5.33
4.00

480
240
160
120

240
360
480
600

O custo mnimo obt


em-se para 3 empilhadores, que ter
ao uma taxa de ocupac
ao de 50%.
Cada cami
ao permanece no sistema durante 1/2 hora.

219

Modelo b
asico com S servidores M/M/S

Caso de uma fila de espera u


nica, baseada num processo de vida e morte, em que
existem S servidores em paralelo.

...

S-2

S-1

(S-1)

S+1

...

n-1

Taxa de chegada = e
e independente do estado do sistema;
Taxa de servico = , igual para todos os servidores;
Taxa de atendimento = S para o conjunto dos S servidores;
Taxa de ocupac
ao =

;
S

< 1 para que o sistema esteja em equilbrio;

Taxa de entrada = e
e independente do estado do sistema;
Taxa de sada = min(n, S) , varia com o estado do sistema n.

220

Caractersticas do modelo M/M/S


Chegada: Poissoniana
clientes
Taxa de chegada:
unidade de tempo
Populac
ao =
Fila m
axima =

Tempo de atendimento: exponencial negativo


clientes
Taxa de atendimento:
unidade de tempo e servidor
No de servidores: S

Taxa de ocupac
ao = S
<1
Taxa de desocupac
ao 1

 S

P0

X
Lq =
(n S)Pn =
2
S!(1

)
n=S

L=
nPn = Lq +

n=0

Wq =

Lq

W = Wq +

1
L
=

P0 =
S1
X

 n

P(W > t)t0 = e

 S

1
1

+
n!
S!
n=0  

P , se 0 n S
 n! n 0
Pn =

nS P0 , se n S

1 +

P0

 S

1 e t(S1/)

S!(1 )
S 1

P(Wq > t)t0 = [1 P(Wq = 0)]e

S(1)t

S!S

P(Wq = 0) =

S1
X

Pn

n=0

221

Filas de Espera M/M/S


Tabela pr
atica para o c
alculo de P0

0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95

N
umero de servidores (S)
2
3
4
5
0.8605
0.8607
0.8607
0.8607
0.8182
0.8187
0.8187
0.8187
0.7778
0.7788
0.7788
0.7788
0.7391
0.7407
0.7408
0.7408
0.7021
0.7046
0.7047
0.7047
0.6667
0.6701
0.6703
0.6703
0.6327
0.6373
0.6376
0.6376
0.6000
0.6061
0.6065
0.6065
0.5686
0.5763
0.5769
0.5769
0.5385
0.5479
0.5487
0.5488
0.5094
0.5209
0.5219
0.5220
0.4815
0.4952
0.4965
0.4966
0.4545
0.4706
0.4722
0.4724
0.4286
0.4472
0.4491
0.4493
0.4035
0.4248
0.4271
0.4274
0.3793
0.4035
0.4062
0.4065
0.3559
0.3831
0.3863
0.3867

1.00
1.20
1.40
1.60
1.80
2.00
2.20
2.40
2.60
2.80
3.00
3.20
3.40
3.60
3.80
4.00
4.20
4.40
4.60
4.80

N
umero de servidores (S)
2
3
4
5
0.3333
0.3636
0.3673
0.3678
0.2500
0.2941
0.3002
0.3011
0.1765
0.2360
0.2449
0.2463
0.1111
0.1872
0.1993
0.2014
0.0526
0.1460
0.1616
0.1646
0.1111
0.1304
0.1343
0.0815
0.1046
0.1094
0.0562
0.0831
0.0889
0.0345
0.0651
0.0721
0.0160
0.0521
0.0581
0.0377
0.0466
0.0273
0.0372
0.0186
0.0293
0.0113
0.0228
0.0051
0.0174
0.0130
0.0093
0.0063
0.0038
0.0017

222

Filas de Espera M/M/S


Estac
ao de correios
Uma moderna estac
ao de correios pretende redimensionar e reorganizar o seu atendimento ao
p
ublico. O esquema de atendimento, em que todos os funcion
arios atendem todo o tipo de clientes,
pedidos de informac
ao, reclamac
oes, aquisic
ao de selos, vales postais, etc. . . , ser
a no entanto
mantido. Tamb
em se manter
a o hor
ario de atendimento ao p
ublico num total de 8 horas por dia.
Para avancar com o redimensionamento do atendimento foi necess
ario recolher informac
ao sobre o
n
umero de chegadas de clientes, bem como sobre os tempos de atendimento. Dessa recolha
concluiu-se que as chegadas seguiam aproximadamente uma distribuic
ao de Poisson com
par
ametro = 1.56 chegadas por minuto, enquanto os tempos de servico seguiam uma
distribuic
ao negativa com m
edia igual a 66.24 segundos, a que corresponde uma taxa de
atendimento = 1/66.24 60 = 0.906 atendimentos por minuto.
O custo hor
ario de cada funcion
ario
e de 10e. Quanto aos clientes considerou-se um custo hor
ario
independente do tempo de espera e igual ao dos funcion
arios dos correios.

http://www.ctt.pt/fectt/wcmservlet/ctt/institucional/banco_imagens/categorias/ecs/index.html?
action=detail&image=5

223

Filas de Espera M/M/S


Estac
ao de correios | Resoluc
ao
Comparando as taxas de chegada e de atendimento conclui-se de imediato que >
pelo que ser
a necess
ario um n
umero de servidores superior a 1.
Considerando a taxa de chegada = 1.56 chegadas
, calcula-se o n
umero m
edio de
minuto
clientes que chegam no perodo de funcionamento de 8 horas:
8 60 = 1.56 8 60 = 748.8 clientes.
Fazendo c
alculos para 2, 3 e 4 servidores, obt
em-se a seguinte tabela18 :
S

P0

2
3
4

0.86
0.57
0.43

(tabela)
0.07
0.16
0.18

W
(minutos)
4.26
1.38
1,16

Tempo clientes
no sistema (horas)
(Tc = W
60 748.8)
53,22
17,25
14,46

Tempo servico
(horas)
(Ts = S 8)
16
24
32

Custo total
(e)
((Tc + Ts ) 10)
692.25
412,45
464,57

A opc
ao por 3 servidores minimiza os custos globais.
O tempo total m
edio que ser
a gasto com o atendimento num dia s
ao
1
748.5 0.906
= 826.5 minutos. O tempo de atendimento disponvel ser
a = S 8 60
minutos. A taxa de inatividade dos funcion
arios ser
a portanto de 14% para dois
servidores, 43% para tr
es servidores e 57% para quatro servidores.
18

Note-se que nas filas M/M/S, P0 n


ao representa a taxa de desocupac
ao mas apenas a probabilidade de todos os
servidores estarem desocupados. No entanto, quando a taxa de ocupac
ao () diminui, P0 aumenta e,
inversamente, Wq diminui.
224

Filas de Espera
Exerccios

225

Pastelaria
Numa pequena pastelaria, apenas uma empregada atende os clientes ao S
abado. O
modelo de chegada de clientes nesse dia segue aproximadamente uma distribuic
ao de
Poisson, com uma taxa m
edia de chegada de 10 pessoas por hora. Os clientes, que
s
ao muitos dada a qualidade dos pasteis, s
ao atendidos segundo o esquema FIFO. O
tempo gasto para atender um cliente
e estimado como sendo exponencialmente
distribudo, como um tempo m
edio de atendimento de 4 minutos. Determine:
1.
2.
3.
4.

a probabilidade de se formar uma fila;


o comprimento m
edio da fila;
o tempo m
edio de espera de um cliente na fila;
probabilidade dum cliente estar menos de 12 min. na pastelaria.

19

19

http://upload.wikimedia.org/wikipedia/commons/3/3c/Fruit Tarts
226

Junta Aut
onoma das Estradas
A Junta Aut
onoma das Estradas tem tr
es equipas que analisam a seguranca das
estradas nacionais. As func
oes atribudas a essas equipas consistem em analisar as
condic
oes das estradas nacionais nas proximidades dos locais onde ocorrem acidentes
graves.
As equipas s
ao igualmente eficientes. Cada uma trabalha uma m
edia de 2 dias
(distribuic
ao exponencial) para fazer a investigac
ao no local e preparar um relat
orio
sobre cada acidente. O n
umero de acidentes graves nas estradas principais segue
aproximadamente um processo de Poisson, com uma taxa m
edia de 300 por ano.
Determine L, Lq , W e Wq para este processo. Qual o significado de cada uma destas
medidas de desempenho neste caso?

20
20

http://www.insoonia.com/wp-content/uploads/2011/01/55.jpg
227

Boeingavela

O Boeingavela, um pronto-a-comer de um aeroporto, tem atualmente apenas uma


empregada ao balc
ao que atende em m
edia 10 clientes por hora. Verificou-se que os
clientes chegam `
a raz
ao de 7 por hora, seguindo este processo de chegada uma
distribuic
ao de Poisson. O tempo de atendimento segue uma distribuic
ao exponencial.
A ger
encia admite a hip
otese de contratar mais uma empregada de balc
ao o que
permitir
a, ao duplicar a raz
ao m
edia de atendimento, melhorar a qualidade de servico.
1. Analise o desempenho do sistema de espera no estado atual calculando,
nomeadamente, a taxa de ocupac
ao, a probabilidade do sistema estar
desocupado, o comprimento m
edio da fila de espera e o tempo que um cliente
aguarda, em m
edia, para ser atendido.
2. Se as pessoas desistem sempre que j
a h
a 3 clientes (no sistema), qual
ea
percentagem de potenciais clientes perdidos?
3. Como melhora o desempenho do sistema de espera, no caso de ser contratada
mais uma funcion
aria? Dever
a recorrer ao tipo de indicadores utilizados na
primeira alnea.
Faca alguns coment
arios, que ache oportunos, sobre as situac
oes que estudou nas
v
arias alneas.

228

Servico de Veterin
aria
Edmundo Terra
e um dos crticos ao funcionamento do Servico de Veterin
aria da
Cooperativa Agrcola de Belos Ares. Edmundo afirma que sempre que chama um
veterin
ario ele nunca vem no mesmo dia.
Atualmente o Servico de Veterin
aria tem dois veterin
arios e cada um atende em m
edia
5 chamadas por dia. Quanto aos pedidos de apoio a animais doentes verifica-se que
chegam aleatoriamente, seguindo um processo de Poisson, `
a raz
ao de 9 por dia. O
servico pode ser neste caso considerado M/M/2.
Sensvel `
as crticas dos membros da Cooperativa, a direc
ao decidiu discutir o caso,
admitindo mesmo contratar um novo veterin
ario.
Avalie a situac
ao, contribuindo com informac
ao que possa ser u
til para uma tomada
de decis
ao sobre a referida contratac
ao.

http://www.aasm-cua.com.pt/srv7.html

229

Filas de Espera com Comprimento


Limitado

230

Filas de Espera com comprimento limitado


M/M/1/K e M/M/S/K

Devido a limitac
oes do sistema, o n
umero m
aximo de elementos no
sistema (atendimento + fila de espera)
eK

...

K-1

n taxa de chegada quando est


ao n clientes no sistema;

para n = 0, 1, 2, . . . , K 1
n =
0 para n K
taxa m
edia de entrada no sistema;
=

X
n=0

n Pn = (21 )

K
1
X

Pn =

n=0

K
1
X

Pn = (1 PK )

n=0

21

A probabilidade de o sistema estar em estados n > K


e nula.
231

Filas de Espera com comprimento limitado


M/M/1/K e M/M/S/K

As relac
oes fundamentais entre Lq , L, Wq e W mant
em-se,
substituindo por :
L = W
W = Wq +

Lq = Wq
1

L = Lq +

taxa de servico

taxa de ocupac
ao.

taxa de press
ao.
=
O sistema pode estar em equilbrio para valores de superiores a 1, no
entanto, nesse caso, haver
a um n
umero potencialmente elevado de utentes
do sistema que chegam e n
ao s
ao servidos.
PK probabilidade de desist
encia por falta de capacidade do sistema para
atender clientes que chegam quando o sistema est
a cheio.
PK taxa m
edia de desist
encia (por falta de capacidade do sistema para atender
clientes que chegam quando o sistema est
a cheio).
(1 PK ) probabilidade de um cliente entrar no sistema.

232

Caratersticas do modelo M/M/1/K


Chegada: Poissoniana
Taxa: clientes / u.tempo
para n = 0, 1, 2, . . . , K 1
n =
0 para n K
K
1
X
=
Pn = (1 PK )

Tempo atendimento: exponencial negativo


Taxa: clientes / u.tempo e servidor
No servidores: 1
=

n=0

Populac
ao =

Taxa de ocupac
ao =

No

Taxa de desocupac
ao = 1

m
aximo de elementos no sistema = K
Fila m
axima K 1
Lq =

X
n=1

(n 1)Pn = L

(K + 1)K +1

L=
nPn =

1 K +1
n=0
1
(Taxa de desocupac
ao)
1 K +1

n
P0 , se n = 1, . . . , K
Pn =
0,
se n > K

Wq =

Lq

W = Wq +

L
1
=

P0 =

P(Wq = 0) = P0

233

Caratersticas do modelo M/M/S/K


Chegada: Poissoniana
Taxa: 
clientes / u.tempo
para n = 0, 1, 2, . . . , K 1
n =
0 para n K
=

K
1
X

Tempo atendimento: exponencial negativo


Taxa: clientes / u.tempo e servidor
No servidores: S

Pn = (1 PK )

n=0

Populac
ao =

Taxa de ocupac
ao =

No m
aximo de elementos no sistema = K
Fila m
axima K S

Taxa de desocupac
ao = 1

Lq =
=

X
(n S)Pn =

n=SS
P0

S!(1)2

L=

n=0

[1

Wq =

K S

K S

(K S)

nPn = Lq +

P0 =
S1
X
n=0

1
 S

 n

n!

P(Wq = 0) =

S1
X

S!

Lq

(1 )]
W = Wq +

Pn =
K
X

nS

1
L
=


n

P ,
 n! n 0

P0 ,
S!S nS

0,

se n = 1, . . . , S
se n = S, . . . , K
se n > K

n=S

Pn

n=0
234

Filas de Espera M/M/1/K


Tabela pr
atica para o c
alculo de P0

0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95

2
0,8529
0,8065
0,7619
0,7194
0,6791
0,641
0,6051
0,5714
0,5398
0,5102
0,4825
0,4566
0,4324
0,4098
0,3887
0,369
0,3506

3
0,8504
0,8013
0,7529
0,7057
0,6599
0,6158
0,5735
0,5333
0,4953
0,4596
0,4261
0,3948
0,3657
0,3388
0,3138
0,2908
0,2696

N
umero de elementos no
4
5
6
0,8501
0,85
0,85
0,8003
0,8001
0,8
0,7507
0,7502
0,75
0,7017
0,7005
0,7002
0,6534
0,6512
0,6504
0,6062
0,6025
0,601
0,5603
0,5546
0,5521
0,5161
0,5079
0,5039
0,4738
0,4628
0,457
0,4337
0,4196
0,4115
0,3959
0,3785
0,368
0,3606
0,34
0,3269
0,3278
0,3041
0,2885
0,2975
0,2711
0,2531
0,2696
0,2408
0,2208
0,2442
0,2134
0,1917
0,221
0,1887
0,1657

sistema (K )
7
8
0,85
0,85
0,8
0,8
0,75
0,75
0,7
0,7
0,6501
0,6501
0,6004
0,6002
0,5509
0,5504
0,502
0,501
0,4538
0,4521
0,4068
0,4041
0,3615
0,3574
0,3184
0,3126
0,2778
0,2703
0,2403
0,231
0,2062
0,1952
0,1756
0,1632
0,1486
0,1352

9
0,85
0,8
0,75
0,7
0,65
0,6001
0,5502
0,5005
0,4511
0,4024
0,3548
0,3087
0,2649
0,2241
0,1868
0,1535
0,1246

10
0,85
0,8
0,75
0,7
0,65
0,6
0,5501
0,5002
0,4506
0,4015
0,3531
0,3061
0,261
0,2188
0,1801
0,1457
0,116

235

Filas de Espera M/M/2/K


Tabela pr
atica para o c
alculo de P0

0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8

3
0,8599
0,817
0,7758
0,7361
0,698
0,6614
0,6262
0,5926
0,5604
0,5297
0,5004
0,4725
0,446
0,4209
0,3971
0,3746
0,3534
0,3333
0,2643
0,2104
0,1687
0,1363

4
0,8597
0,8165
0,7746
0,7339
0,6944
0,6558
0,6183
0,5818
0,5464
0,5121
0,479
0,4471
0,4166
0,3875
0,3598
0,3336
0,3089
0,2857
0,2074
0,1499
0,1086
0,0795

N
umero de elementos no sistema (K )
5
6
7
8
0,8597
0,8597
0,8597
0,8597
0,8164
0,8163
0,8163
0,8163
0,7743
0,7742
0,7742
0,7742
0,7333
0,7331
0,733
0,733
0,6931
0,6926
0,6925
0,6924
0,6536
0,6528
0,6524
0,6523
0,6148
0,6132
0,6125
0,6122
0,5766
0,574
0,5727
0,5721
0,539
0,535
0,5328
0,5316
0,5021
0,4963
0,4929
0,4908
0,466
0,458
0,4529
0,4496
0,4309
0,4203
0,4131
0,4083
0,397
0,3834
0,3739
0,367
0,3643
0,3477
0,3355
0,3263
0,3332
0,3135
0,2985
0,2868
0,3037
0,281
0,2633
0,2492
0,2759
0,2505
0,2304
0,214
0,25
0,2222
0,2
0,1818
0,1649
0,1323
0,107
0,087
0,1068
0,0762
0,0544
0,0388
0,0692
0,0438
0,0276
0,0173
0,0454
0,0256
0,0144
0,008

9
0,8597
0,8163
0,7742
0,733
0,6924
0,6522
0,6121
0,5717
0,531
0,4896
0,4476
0,4049
0,362
0,3193
0,2776
0,2377
0,2005
0,1667
0,071
0,0277
0,0109
0,0045

10
0,8597
0,8163
0,7742
0,733
0,6924
0,6522
0,6119
0,5714
0,5303
0,4882
0,4449
0,4003
0,3548
0,3087
0,2632
0,2195
0,179
0,1429
0,0493
0,0154
0,0049
0,0017

236

Filas de Espera M/M/3/K


Tabela pr
atica para o c
alculo de P0

0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8

0,8607
0,8186
0,7785
0,7403
0,7038
0,6689
0,6356
0,6038
0,5733
0,5442
0,5163
0,4897
0,4642
0,4398
0,4166
0,3943
0,3731
0,3529
0,2814
0,2233
0,1768
0,14
0,1111
0,0885
0,0709
0,0571
0,0462

0,8607
0,8186
0,7784
0,7401
0,7033
0,6682
0,6344
0,6019
0,5706
0,5404
0,5112
0,483
0,4558
0,4295
0,4041
0,3796
0,356
0,3333
0,252
0,1861
0,1351
0,0972
0,0698
0,0503
0,0365
0,0268
0,0199

N
umero de elementos no sistema (K )
6
7
8
0,8607
0,8186
0,7784
0,74
0,7032
0,6679
0,6338
0,6009
0,5691
0,5381
0,508
0,4785
0,4497
0,4216
0,3941
0,3673
0,3411
0,3158
0,2239
0,1509
0,0981
0,0627
0,04
0,0258
0,0169
0,0113
0,0077

0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6336
0,6005
0,5683
0,5368
0,5059
0,4754
0,4453
0,4155
0,386
0,3568
0,3281
0,3
0,1975
0,1192
0,0682
0,0382
0,0216
0,0124
0,0074
0,0045
0,0028

0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6335
0,6002
0,5678
0,536
0,5045
0,4732
0,442
0,4107
0,3793
0,3479
0,3166
0,2857
0,173
0,0922
0,0458
0,0225
0,0112
0,0058
0,0031
0,0018
0,001

10

0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6334
0,6001
0,5676
0,5355
0,5036
0,4717
0,4396
0,407
0,3739
0,3403
0,3064
0,2727
0,1506
0,07
0,03
0,0129
0,0057
0,0027
0,0013
0,0007
0,0004

0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6334
0,6001
0,5674
0,5352
0,5031
0,4707
0,4378
0,404
0,3693
0,3337
0,2973
0,2609
0,1303
0,0523
0,0194
0,0073
0,0029
0,0012
0,0006
0,0003
0,0001

237

Filas de Espera M/M/4/K


Tabela pr
atica para o c
alculo de P0

0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8

5
0,8607
0,8187
0,7788
0,7408
0,7046
0,6702
0,6374
0,6062
0,5764
0,5481
0,521
0,4953
0,4707
0,4472
0,4248
0,4035
0,3831
0,3636
0,2943
0,2369
0,1897
0,1511
0,12
0,0951
0,0753
0,0597
0,0474
0,0377
0,0302
0,0243
0,0196
0,0159

N
umero de elementos no sistema (K )
6
7
8
9
0,8607
0,8187
0,7788
0,7408
0,7046
0,6701
0,6372
0,6059
0,576
0,5475
0,5202
0,4941
0,469
0,445
0,422
0,3999
0,3787
0,3582
0,2839
0,2205
0,1675
0,1245
0,0909
0,0656
0,0471
0,0337
0,0243
0,0176
0,0128
0,0095
0,0071
0,0053

1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6372
0,6057
0,5757
0,5469
0,5193
0,4926
0,4669
0,4419
0,4177
0,3939
0,3707
0,3478
0,2597
0,1789
0,1126
0,0659
0,037
0,0206
0,0116
0,0067
0,0039
0,0024
0,0015
0,0009
0,0006
0,0004

0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6371
0,6057
0,5756
0,5468
0,519
0,4922
0,4662
0,4409
0,416
0,3915
0,3671
0,3429
0,2459
0,155
0,0852
0,0427
0,0207
0,0101
0,0051
0,0027
0,0014
0,0008
0,0005
0,0003
0,0002
0,0001

10
0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6371
0,6057
0,5756
0,5467
0,5189
0,4919
0,4657
0,44
0,4146
0,3892
0,3638
0,338
0,2313
0,1306
0,0613
0,0261
0,011
0,0048
0,0022
0,001
0,0005
0,0003
0,0001
0,0001
0
0

238

Filas de Espera M/M/5/K | Tabela para c


alculo de P0

0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
4
4,2
4,4
4,6
4,8

6
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5769
0,5487
0,5219
0,4964
0,4721
0,449
0,4269
0,406
0,386
0,367
0,2994
0,2436
0,1975
0,1595
0,1282
0,1026
0,0818
0,065
0,0516
0,0409
0,0324
0,0257
0,0204
0,0162
0,013
0,0104
0,0084
0,0068
0,0055

N
umero de elementos no sistema (K )
7
8
9
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5768
0,5486
0,5218
0,4962
0,4718
0,4486
0,4265
0,4053
0,3851
0,3659
0,2967
0,2385
0,1892
0,1475
0,1128
0,0846
0,0623
0,0453
0,0326
0,0234
0,0168
0,0121
0,0087
0,0064
0,0047
0,0035
0,0026
0,002
0,0015

0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5768
0,5486
0,5217
0,4961
0,4717
0,4483
0,4261
0,4047
0,3843
0,3647
0,2936
0,2317
0,1772
0,1299
0,0909
0,061
0,0397
0,0253
0,0161
0,0103
0,0066
0,0043
0,0029
0,0019
0,0013
0,0009
0,0006
0,0005
0,0003

0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6064
0,5768
0,5486
0,5217
0,496
0,4715
0,4481
0,4257
0,4042
0,3835
0,3636
0,29
0,2228
0,1608
0,1069
0,0655
0,0378
0,0212
0,0118
0,0067
0,0038
0,0023
0,0014
0,0008
0,0005
0,0003
0,0002
0,0001
0,0001
0,0001

10
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6064
0,5768
0,5486
0,5216
0,496
0,4714
0,4479
0,4254
0,4037
0,3828
0,3625
0,2857
0,2115
0,1402
0,0811
0,042
0,0206
0,01
0,0049
0,0025
0,0013
0,0007
0,0004
0,0002
0,0001
0,0001
0,0001
0
0
0

239

Filas de Espera M/M/1/K


Porto de Mar

http://www.planete-tp.com/en/solid-cargo-in-bulk-a389.html

Um porto que recebe navios


graneleiros tem uma u
nica estac
ao de
descarga (m
ovel) que permite
descarregar, em m
edia, 5 navios por
dia. O porto tem um cais que permite
a acostagem de apenas 2 navios, pelo
que, quando o cais est
a ocupado,
navios adicionais que pretendam
acostar s
ao desviados para outro
porto, acarretando um custo de 20 000
e por navio desviado. A imobilizac
ao
de navios no porto tem um custo de
12 000 e por dia e por navio.
As chegadas dos navios podem ser
consideradas Poissionianas, com uma
taxa de 3 navios por dia, sendo os
tempos de descarga exponenciais
negativos.
Pretende-se avaliar a viabilidade
econ
omica de ampliar o cais de modo
a poder receber 3 navios, ampliac
ao
essa a que corresponderia um encargo
adicional de 1 000 e por dia.

240

Filas de Espera M/M/1/K


Porto de Mar | Resoluc
ao

A ampliac
ao do cais justifica-se se a reduc
ao de custos com
imobilizac
ao e desvio de navios for superior a 1 000 e/dia.
= 3 navios/dia

= 5 navios/dia

S=1

3
= 0.6
5

e
e
W =12 000
L
dia navio
dia navio
e
Custo de desvio (CD) CD = 20 000
( )
navio
( representa o n
umero de navios desviados por dia.)

Custo de imobilizac
ao (CI) CI = 12 000

Custo com K = 2

Custo com K = 3

P0 = 0.510
= (1 P2 ) = (1 2 P0 ) = 2.448

Taxa de ocupac
ao
= 0.49
P
P2
L=
nP
=
n
n=0
n=0 nPn = 0.673 navios
e
CI =12 000
L = 8 076 e/dia
dia navio
e
CD =20 000
( ) = 11 040
navio
e/dia
CD + CI =19 116 e/dia

P0 = 0.460
= (1 P3 ) = (1 3 P0 ) = 2.703

Taxa de ocupac
ao
= 0.54
P
P3
L=
nP
=
n
n=0
n=0 nPn = 0.904 navios
e
CI =12 000
L = 10 848 e/dia
dia navio
e
CD =20 000
( ) = 5 940
navio
e/dia
CD + CI =16 788 e/dia
241

Filas de Espera com Comprimento


Limitado
Exerccios

242

Oficina de Pintura na Virada Cultural

22 Um dos eventos previstos para a pr


oxima Virada Cultural de S
ao Paulo
e uma oficina de pintura que decorrer
a numa das pracas da
cidade. A oficina de pintura ser
a organizada da seguinte forma:
Registo na Oficina Quando uma pessoa chega entra numa tenda e dirige-se a uma assistente que faz o seu registo de participac
ao na
oficina. A chegada de pessoas `
a tenda segue uma distribuic
ao de Poisson com m
edia de 54 pessoas por hora. O tempo gasto pela
assistente para registar uma pessoa segue uma distribuic
ao exponencial negativa com m
edia de 1 minuto.
Dado o reduzido espaco da tenda, um assistente no seu exterior desviar
a para outros eventos da Virada Cultural as pessoas que chegam,
sempre que dentro da tenda j
a se encontrem 6 pessoas `
a espera para se registarem.
Atividades da Oficina Ap
os o seu registo, as pessoas dirigem-se `
a
area onde ter
ao lugar as atividades da oficina. A ser
ao colocadas numa
fila de espera u
nica (sem limite de capacidade, pois esta fila forma-se numa
area exterior), aguardando a sua vez para levarem a cabo a
atividade programada com o auxlio de um dos v
arios artistas pl
asticos disponveis no local. Cada artista acompanha uma u
nica pessoa de
cada vez na execuc
ao da sua atividade. O tempo despendido por um artista no acompanhamento de cada pessoa segue uma distribuic
ao
exponencial negativa com m
edia de 5 minutos.
Todas as pessoas que se registam s
o abandonam a oficina ap
os terem executado a atividade programada com o auxlio do artista.
O respons
avel pela organizac
ao da oficina est
a preocupado com o seu
exito e pediu-lhe ajuda para encontrar as respostas `
as seguintes
quest
oes: (justifique devidamente cada uma das suas respostas)
1. Sabendo que a Virada Cultural ter
a uma durac
ao de 24 horas, qual ser
a o n
umero esperado de pessoas que nesse perodo
participar
a nesta oficina? (Considera-se que uma pessoa participa na oficina se executar a atividade programada para a mesma).
2. Nesse mesmo perodo de 24 horas, qual ser
a o n
umero esperado de pessoas que gostaria de participar na oficina mas que, devido `
a
capacidade limitada da tenda, n
ao o far
a?
3. Qual dever
a ser o n
umero mnimo de artistas a convidar para a oficina, para que o n
umero m
edio de pessoas j
a registadas que
aguardam por um artista disponvel seja inferior a 3.
4. Como calcularia o valor do tempo m
edio que decorrer
a desde que uma pessoa entra na oficina at
e que comeca a executar a
atividade programada?
Nota: n
ao se pretende que calcule o valor num
erico desse tempo m
edio, mas que indique como o poderia calcular.

22

Exame de 2013.01.09 de IO do MIEM e do MIEEC da FEUP


243

Teoria da Decis
ao

Teoria da Decis
ao Objetivos de Aprendizagem

Dado um problema de decis


ao:
Identificar o decisor, as ac
oes alternativas, os estados da natureza e a sequ
encia
de decis
oes.
Reconhecer ac
oes alternativas que sejam mutuamente exclusivas.
Calcular a consequ
encia de cada par (ac
ao alternativa, estado da natureza).
Reconhecer ac
oes (decis
oes) dominadas.

Representar um problema de decis


ao por meio de uma Arvore
de Decis
ao.
Identificar a decis
ao a tomar:
caso o decisor tenha informac
ao perfeita;
pelo crit
erio de Laplace;
pelo crit
erio Pessimista (MaxiMin) (ou Otimista (MaxiMax));
pelo crit
erio de Savage;
pelo crit
erio de Hurwicz;
pelo crit
erio do M
aximo Valor Esperado;
pelo crit
erio da Mnima Perda de Oportunidade Esperada
Determinar o VEIP (Valor Esperado da Informac
ao Perfeita).

244

Decis
oes

A incerteza
e muito mais a regra que a excec
ao, a u
nica coisa
que pode ser certa
e o passado e as decis
oes tomam-se para o
futuro.
Uma decis
ao
e uma alocac
ao de recursos,
e irrevog
avel e s
o
pode ser alterada por uma outra decis
ao.

245

Teoria da Decis
ao

A Teoria da Decis
ao trata de:
tomada de decis
oes racionais e consistentes em situaco
es de
incerteza, fornecendo um conjunto de conceitos e t
ecnicas para
apoio do decisor.
O objectivo da Teoria da Decis
ao
e:
apoiar a escolha de uma ac
ao (ou de uma estrat
egia) que seja
consistente com as alternativas, a informac
ao, os valores e a
l
ogica do decisor no momento da tomada de decis
ao.

246

Caractersticas de um problema de decis


ao
Decisor O decisor
e o respons
avel pela tomada de decis
oes. Pode ser um
u
nico indivduo, um grupo, uma empresa ou mesmo uma
nac
ao23 .
Ac
oes O decisor deve conseguir construir uma lista exaustiva e
mutuamente exclusiva de todas ac
oes alternativas. Sempre que
for possvel obter uma melhor informac
ao, o decisor deve
escolher a melhor fonte de informac
ao e a melhor estrat
egia24
global a seguir.
Estados da natureza Acontecimentos que podem ocorrer e que n
ao podem ser
controlados pelo decisor. Os estados da natureza devem ser
mutuamente exclusivos e devem descrever exaustivamente todas
as situac
oes possveis25 .
Consequ
encias As consequ
encias s
ao as medidas do benefcio obtido pelo
decisor. As consequ
encias dependem da decis
ao tomada e dos
estados da natureza. Pode-se ent
ao associar a cada par (decis
ao
tomada, estado da natureza) um valor correspondente `
a
consequ
encia para o decisor26 .
23
Neste texto trataremos apenas de situac
oes em que o indivduo ou o grupo t
em objetivos unit
arios e por isso que
as decis
oes s
ao realmente individuais
24
Uma estrat
egia
e um conjunto de regras de decis
ao que indicam, face a uma dada observac
ao da fonte de
informac
ao, qual a ac
ao a realizar.
25
S
o pode ocorrer um e um s
o estado da natureza.
26
O valor associado a esse par corresponde a uma Func
ao Utilidade, que por vezes corresponde diretamente a
valores monet
arios associados a cada consequ
encia.
247

SO

FA fOsofa
fO
SO

FA

fOsofa

fO
A marca de sof
as

e um franchising de venda de sof


as que tem como forca
propulsora para as suas vendas a inovac
ao nos materiais e no design e a qualidade e facilidade de
manutenc
ao dos seus sof
as.

Recentemente surgiu no mercado mundial um novo tipo de estofo, obtido a partir de estudos de
materiais feitos pela Ag
encia Espacial Africana. Esse novo estofo, que tem ainda o nome de c
odigo
X@K, tem todas as caractersticas da pele natural, mas n
ao absorve gorduras e n
ao se desgasta. O
preco dessa mat
eria prima
e muito elevado e a sua produc
ao
e ainda muito reduzida.
SO

FA

fOsofa

fO
pretendem estar sempre na frente da inovac
ao em sof
as e por
Os administradores da
isso consideram crucial para a empresa a aposta em X@K. A decis
ao a tomar
e quanto `
a
quantidade a comprar. Dado que esse estofo tem que ser transportado a partir da costa oriental de

Africa,
onde est
a localizada a Ag
encia Espacial Africana, o transporte ter
a que ser feito por mar e
em contentores e s
o se admite a compra de 1, 2 ou 3 contentores de X@K 27 . A aquisic
ao ter
a que
ser feita agora e s
o no incio do pr
oximo ano
e que se poder
a voltar a comprar esse material.

Se for comprado 1 contentor, o preco de compra de 1m2 de X@K ser


a 22um, comprando-se 2
contentores, o preco de compra de 1m2 de X@K ser
a 20um e comprando 3 contentores, o preco de
compra de 1m2 de X@K ser
a 18um. O preco de venda de 1m2 ser
a 25um, mas se ao fim do ano
ainda restar X@K, este ter
a que ser vendido por 10um por m2 .
Cada m2 de material n
ao vendido por ruptura de stocks implica um prejuzo de 5um.
A administrac
ao considera que se poder
ao vender sof
as que consumam 100.000m2 , 150.000m2 ou
250.000m2 de X@K. Os tr
es tipos de procura teriam probabilidades de ocorr
encia de
respectivamente, 30%, 50% e 20%.
27

Devido `
as condico
es especiais de embalagem, cada contentor transporta 100.000m2 de X@K.
248

SO

FA fOsofa
fO

uma quest
ao de decis
oes

SO

Para o problema da
1.
2.
3.
4.

FA fOsofa
fO

defina:

O decisor
As ac
oes
Os estados da natureza
As consequ
encias

249

SO

FA fOsofa
fO

resposta

SO

Decisor O decisor
e a administrac
ao da
Ac
oes As aco
es alternativas s
ao:

FA fOsofa
fO

Comprar 1 contentor (100.000m2 de X@K );


Comprar 2 contentores (200.000m2 de X@K );
Comprar 3 contentores (300.000m2 de X@K ).

Estados da natureza Os estados da natureza que podem ocorrer s


ao:
Procura de 100.000m2 de X@K ;
Procura de 150.000m2 de X@K ;
Procura de 250.000m2 de X@K.

Consequ
encias H
a uma consequ
encia associada a cada par (ac
ao, estado da
natureza). Neste caso se por exemplo se optar por comprar 2
contentores e a procura for de 150.000m2 de X@K, ent
ao o
lucro para a empresa ser
a:
150.000m2 25 um2 + 50.000m2 10 um2 200.000m2 20 um2 = 250.000um
m

250

Matriz de Decis
ao

Depois de definidas todas as ac


oes alternativas e todos os estados da natureza, deve
ser possvel associar a cada par (ac
ao, estado da natureza) uma consequ
encia que ter
a
um valor correspondente `
a utilidade para o decisor.
Uij = U(ai ; j )
Com esses valores pode-se preencher uma tabela de duas entradas a que se d
a o nome
de Matriz de Decis
ao.

ac
oes
a1
a2
a3
..
.
am

1
U11
U21
U31
..
.
Um1

Estados
2
U12
U22
U32
..
.
Um2

da natureza
3
...
U13
...
U23
...
U33
...
..
..
.
.
Um3
...

n
U1n
U2n
U3n
..
.
Umn

251

SO

FA fOsofa
fO

- Matriz de Decis
ao

Problema Construa a Matriz de Decis


ao para o problema da
SO

SO

FA fOsofa
fO

FA fOsofa
fO

Soluc
ao A Matriz de Decis
ao para o problema da
est
a representada na
tabela seguinte (valores apresentados em kum).
Estados da natureza
Procura
Procura
de 150.000m2
de 250.000m2
de X@K
de X@K

Ac
oes

Procura
de 100.000m2
de X@K

Comprar 100.000m2 de X@K

300

50

-450

200.000m2

de X@K

-500

250

750

Comprar 300.000m2 de X@K

-900

-150

1350

Comprar

252

Decis
ao com informac
ao perfeita

Consideremos agora que o decisor sabe qual dos estados da natureza vai ocorrer.
Nesse caso ele escolher
a a decis
ao que maximiza a utilidade.
Considerando que vai ocorrer o estado da natureza 0 , a ac
ao a0 a tomar ser
a ent
ao:
a0 : U(a0 , 0 ) = maxai U(ai , 0 )
SO

No exemplo da

FA fOsofa
fO

Se o decisor souber que a procura ser


a de 100.000m2 opta por comprar
100.000m2 de X@K.
Se o decisor souber que a procura ser
a de 150.000m2 opta por comprar
200.000m2 de X@K.
Se o decisor souber que a procura ser
a de 250.000m2 opta por comprar
300.000m2 de X@K.

253

Decis
ao e incerteza

A incerteza
e muito mais a regra que a excec
ao, a u
nica coisa
que pode ser certa
e o passado e as decis
oes tomam-se para o
futuro.
Um decisor que n
ao conhece qual o estado da natureza que vai ocorrer ter
a que ter
crit
erios para tomar decis
oes. Esses crit
erios podem ser:
n
ao probabilsticos;
probabilsticos (dependentes da probabilidade de ocorr
encia dos estados da
natureza).

254

Ac
oes dominadas

Por vezes
e possvel reduzir a Matriz de Decis
ao, retirando
ac
oes que nenhum decisor com bom senso poderia admitir.
Se existe uma ac
ao ak que
e sempre dominada por outra ac
ao ai
a , ent
ao a ac
ao ak pode ser retirada da Matriz de Decis
ao.
a

Uma ac
ao ai domina uma ac
ao ak se U(ai , j ) U(ak , j )
j

255

SO

FA fOsofa
fO

Enunciado Alternativo
SO

FA

fOsofa

fO
A marca de sof
as

e um franchising de venda de sof


as que tem como forca
propulsora para as suas vendas a inovac
ao nos materiais e no design e a qualidade e facilidade de
manutenc
ao dos seus sof
as.

Recentemente surgiu no mercado mundial um novo tipo de estofo, obtido a partir de estudos de
materiais feitos pela Ag
encia Espacial Africana. Esse novo estofo, que tem ainda o nome de c
odigo
X@K, tem todas as caractersticas da pele natural, mas n
ao absorve gorduras e n
ao se desgasta. O
preco dessa mat
eria prima
e muito elevado e a sua produc
ao
e ainda muito reduzida.
SO

FA

fOsofa

fO
pretendem estar sempre na frente da inovac
ao em sof
as e por
Os administradores da
isso consideram crucial para a empresa a aposta em X@K. A decis
ao a tomar
e quanto `
a
quantidade a comprar. Dado que esse estofo tem que ser transportado a partir da costa oriental de

Africa,
onde est
a localizada a Ag
encia Espacial Africana, o transporte ter
a que ser feito por mar e
em contentores e s
o se admite a compra de 1, 2 ou 3 contentores de X@K 28 . A aquisic
ao ter
a que
ser feita agora e s
o no incio do pr
oximo ano
e que se poder
a voltar a comprar esse material.

Se for comprado 1 contentor, o preco de compra de 1m2 de X@K ser


a 20um, comprando-se 2
contentores, o preco de compra de 1m2 de X@K ser
a 18um e comprando 3 contentores, o preco de
compra de 1m2 de X@K ser
a 16um. O preco de venda de 1m2 ser
a 25um, mas se ao fim do ano
ainda restar X@K, este ter
a que ser vendido por metade do preco de custo, 12,5um por m2 .
Cada m2 de material n
ao vendido por ruptura de stocks implica um prejuzo de 5um.
A administrac
ao considera que se poder
ao vender sof
as que consumam 100.000m2 , 150.000m2 ou
250.000m2 de X@K. Os tr
es tipos de procura teriam probabilidades de ocorr
encia de
respetivamente, 30%, 50% e 20%.
28

Devido `
as condico
es especiais de embalagem, cada contentor transporta 100.000m2 de X@K.
256

SO

FA fOsofa
fO

- Matriz de Decis
ao para Enunciado Alternativo

Estados da natureza
Procura
Procura
de 150.000m2
de 250.000m2
de X@K
de X@K

Ac
oes

Procura
de 100.000m2
de X@K

Comprar 100.000m2 de X@K

500

250

-250

200.000m2

de X@K

150

775

1150

Comprar 300.000m2 de X@K

200

825

2075

Comprar

retirando a ac
ao dominada . . .
Comprar 100.000m2 de X@K

500

250

-250

Comprar 300.000m2 de X@K

200

825

2075

257

Crit
erios de decis
ao n
ao probabilsticos

Laplace Todos os estados da natureza t


em uma probabilidade de
ocorr
encia igual.
Pessimista Crit
erio pessimista; natureza hostil; ocorre sempre o estado
da natureza que pode prejudicar mais.
Otimista Crit
erio otimista; ocorre sempre o estado da natureza que
pode beneficiar mais.
Hurwicz Definic
ao de um par
ametro que pode variar entre 0 e 1,
permitindo assim refletir atitudes desde pessimista a otimista.
Savage Pessimismo moderado, Matriz de Decis
ao
e substituda por
uma Matriz de Pesares.

258

SO

FA fOsofa
fO

Laplace

Dado que a probabilidade de ocorr


encia dos estados da natureza n
ao
e conhecida, considera-se que
todos os estados da natureza t
em uma probabilidade de ocorr
encia igual. Havendo n estados da
natureza, ent
ao a probabilidade de ocorr
encia de cada um deles ser
a n1 .
A ac
ao a escolher ser
a ent
ao a que corresponde ao:
o
n P
n
1
maxai
j=1 U(ai ; j )
n
Considerando mais uma vez a Matriz de Decis
ao da
Laplace:

SO

FA fOsofa
fO

, e usando o crit
erio de decis
ao de

Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K

Ac
oes
(compra
de X@K )

1
n

Pn

j=1

U(ai ; j )

100.000m

300

50

-450

100
3

200.000m

-500

250

750

500
3

300.000m2

-900

-150

1350

300
3

maxai

n P
n
1
n

j=1

U(ai ; j )

500
3

Ac
ao: compra de 200.000m2 de X@K .
259

SO

FA fOsofa
fO

Pessimista

Crit
erio pessimista em que se considera que a natureza
e hostil e que por isso ocorrer
a sempre o
estado da natureza que pode prejudicar mais. A ac
ao a escolher ser
a ent
ao:
o
n
maxai minj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Pessimista:

Ac
oes
(compra
de X@K )

SO

FA fOsofa
fO

, e usando o crit
erio de decis
ao

Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K

minj U(ai ; j )

100.000m

300

50

-450

-450

200.000m

-500

250

750

-500

300.000m

-900

-150

1350

-900

maxai

n
o
minj U(ai ; j ) = 450 Ac
ao: compra de 100.000m2 de X@K .

260

SO

FA fOsofa
fO

Otimista

Crit
erio otimista em que se considera que ocorrer
a sempre o estado da natureza que pode
beneficiar mais. A ac
ao a escolher ser
a ent
ao:
o
n
maxai maxj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Otimista:

Ac
oes
(compra
de X@K )

SO

FA fOsofa
fO

, e usando o crit
erio de decis
ao

Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K

maxj U(ai ; j )

100.000m

300

50

-450

300

200.000m

-500

250

750

750

300.000m

-900

-150

1350

1350

maxai

o
maxj U(ai ; j ) = 1350 Ac
ao: compra de 300.000m2 de X@K .

261

SO

FA fOsofa
fO

Hurwicz

O crit
erio de Hurwicz pretende refletir todas as atitudes do decisor, desde muito otimista a muito
pessimista. Define-se para tal um par
ametro 0 1 a que se chama ndice de otimismo. Se
= 0 este crit
erio corresponde `
a aplicac
ao do crit
erio Pessimista. = 1, corresponde a um
decisor 100% otimista.
A ac
ao a escolher
e obtida do seguinte modo:
o
n
maxai maxj U(ai ; j ) + (1 ) minj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Hurwicz:

Ac
oes
(compra
de X@K )

Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K

SO

FA fOsofa
fO

, e usando o crit
erio de decis
ao de

max U(ai ; j )

min U(ai ; j )

Hurwicz

100.000m2

300

50

-450

300

-450

300 + (1-) (-450)

200.000m2

-500

250

750

750

-500

750 + (1-) (-500)

-900

-150

1350

1350

-900

1350 + (1-) (-900

300.000m

262

SO

FA fOsofa
fO

Matriz dos Pesares ou Matriz da Perda de Oportunidade

A Matriz dos Pesares ou Matriz da Perda de Oportunidade pode ser obtida a partir da Matriz de
Decis
ao usando a transformac
ao P(ai ; j ) = maxak {U(ak ; j )} U(ai ; j )
SO

Considerando mais uma vez a Matriz de Decis


ao da
numa Matriz de Pesares resulta em:

ac
oes
(compra
de X@K )
100.000m2
200.000m

300.000m2

FA fOsofa
fO

, a transformac
ao dessa matriz

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0

200

1800

800

600

1200

400

263

SO

FA fOsofa
fO

Savage

O crit
erio de Savage chama-se tamb
em crit
erio da perda de oportunidade minimax (ou pesar
minimax). Este crit
erio baseia-se no crit
erio Pessimista, mas
e mais moderado. O crit
erio de
Savage baseia-se no seguinte: uma vez decidida a ac
ao a realizar e ocorrido o estado da natureza, o
decisor sente pesar por n
ao ter optado pela melhor ac
ao. E
e esse pesar que se pretende minimizar.
O crit
erio de Savage resulta da aplicac
ao do crit
erio Pessimista `
a Matriz de Pesares:
o
n
minai
maxj P(ai ; j )
SO

Considerando mais uma vez a


obtida anteriormente:
ac
oes
(compra
de X@K )
100.000m

minai

, aplique-se o crit
erio Pessimista `
a Matriz de Pesares

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K

200.000m2
300.000m

FA fOsofa
fO

maxj P(ai ; j )

max P(ai ; j )
j

200

1800

1800

800

600

800

1200

400

1200

= 800 Ac
ao: compra de 200.000m2 de X@K .
264

Crit
erios de decis
ao probabilsticos

Os crit
erios de decis
ao probabilsticos baseiam-se na incorporac
ao da informac
ao `
a
priori que o decisor tem sobre os estados da natureza.
Essa incorporac
ao de informac
ao corresponde `
a atribuic
ao de probabilidades de
ocorr
encia aos estados da natureza.
Dois crit
erios de decis
ao probabilsticos:
Maximizac
ao do valor esperado;
Minimizac
ao da perda de oportunidade esperada29 .

29

Para aplicar este crit


erio
e necess
ario comecar por construir a Matriz de Pesares, tal como se apresentou no
crit
erio n
ao probabilstico de Savage.
265

Crit
erios de decis
ao probabilsticos
Maximizac
ao do valor esperado (MVE)

31

Este crit
erio de decis
ao baseia-se na escolha da ac
ao que maximiza a utilidade
esperada. Para tal
e necess
ario:
1. atribuir uma probabilidade h(j ) 30 de ocorr
encia a cada um dos estados da
natureza j (que se consideram mutuamente exclusivos),
de tal forma que a soma
P
das probabilidades de ocorr
encia seja igual a um, ( j h(j ) = 1);
2. calcular o valor esperado de cada ac
ao:
ai

VEai =

P 
j


h(j ) U(ai ; j )

3. escolher a ac
ao a0 que maximiza o valor esperado:
a0 :

maxai {VEai }

30

Conhecida por probabilidade de ocorr


encia `
a priori.
Tamb
em conhecido por crit
erio de Bayes ou por crit
erio de decis
ao `
a priori.

31

266

SO

FA fOsofa
fO

Maximizac
ao do valor esperado (MVE)

Considerando os possveis estados da natureza e respetivas probabilidades de


ocorr
encia, tal como se representam na primeira linha da tabela seguinte, e ainda os
valores de U(ai ; j ), obt
em-se o m
aximo valor esperado.
Estados da natureza
Procura de
Procura de Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20

h(j )
ai

VEai

Comprar 100.000m2 de X@K

300

50

-450

25

200.000m2

de X@K

-500

250

750

125

Comprar 300.000m2 de X@K

-900

-150

1350

-75

Comprar

opta-se pela compra de 200.000m2 de X@K, a ac


ao que corresponde ao m
aximo valor
esperado (125 neste caso).

267

SO

FA fOsofa
fO

Minimizac
ao da Perda de Oportunidade Esperada
Considerando os possveis estados da natureza e respetivas probabilidades de
ocorr
encia, tal como se representam na primeira linha da tabela seguinte, e ainda os
valores de P(ai ; j ), obt
em-se a mnima perda de oportunidade esperada.

h(j )
ai

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
POEai

Comprar 100.000m2 de X@K

200

1800

460

Comprar 200.000m2 de X@K

800

600

360

Comprar 300.000m2 de X@K

1200

400

560

opta-se pela compra de 200.000m2 de X@K, a ac


ao que corresponde `
a mnima perda
de oportunidade esperada (360 neste caso).
268


Arvores
de decis
ao

A
arvore de decis
ao
e uma forma alternativa de estruturac
ao de um problema de
decis
ao.
As
arvores de decis
ao s
ao muito u
teis para representar problemas de decis
ao
complexos, com sequ
encias de aco
es e estados da natureza que ocorrem ao longo do
tempo.
N
os da
arvore de decis
ao
n
os de decis
ao (assinalados com quadrados) escolha do caminho feita pelo
decisor (ac
oes escolhidas pelo decisor)
n
os causais (assinalados com crculos) caminho determinado por fatores que o
decisor n
ao controla (estados da natureza)

269

SO

FA fOsofa
fO

Arvore
de decis
ao
SO

FA

fOsofa

fO
Quest
ao: Desenhe a
arvore de decis
ao para o problema da
, onde deve
indicar todas as ac
oes, estados da natureza e suas probabilidades de ocorr
encia e
consequ
encias.

Resposta:

300 um

25

(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K

Comprar 100.000m 2
de X@K

-450 um

Comprar 200.000m 2
de X@K

125

50 um

Comprar 300.000m 2
de X@K

125

-900 um

-75

(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K

-500 um
(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K

250 um

750 um

-150 um

1350 um

270

SO

FA fOsofa
fO

Proposta de alargamento
SO

FA

fOsofa

fO
Recentemente foi feita `
a
uma proposta de alargamento do seu franchising para outros
pases da Europa. Se o neg
ocio correr bem, h
a a possibilidade de a empresa ter lucros elevados.

O perodo a considerar para o alargamento do franchising ser


a de 2 anos. No incio de cada um
dos anos ser
a necess
ario tomar decis
oes de alargamento, que poder
a ser total (todos os pases da
Comunidade Europeia) ou ent
ao parcial, comecando-se pela Espanha e alargando numa segunda
fase (no ano seguinte) aos restantes pases da Comunidade Europeia.
Os custos de alargamento est
ao representados na tabela (em Mum):

Abertura de lojas em toda a Comunidade Europeia


Abertura de lojas em Espanha
Abertura de lojas nos restantes pases da Comunidade Europeia

Ano 1
2
1

Ano 2
3
1.5
2

evidente que os resultados do alargamento em estudo dependem fortemente da dimens


E
ao do
mercado potencial. Para conhecer as hip
oteses de sucesso de cada uma das opco
es, foram
consultados especialistas no mercado europeu. A esses especialistas foi indicado que considerassem
apenas duas possibilidades para o mercado, procura elevada e procura baixa. O resultado do
estudo realizado pelos t
ecnicos, est
a representado na tabela seguinte:

Lojas em toda a CE
Lojas em toda a Pennsula Ib
erica
Lojas em Portugal

P(i )
Procura
Procura
baixa
elevada
0.4
0.6
0.6
0.4
0.5
0.5

Lucros (em Mum por ano)


Procura
Procura
baixa
elevada
3
4
2
3
1
2

271

SO

FA fOsofa
fO

Proposta de alargamento

(
arvore de decis
ao)

Ano 1

Ano 2
3+3-2=4
4.6

Sem alargamento
(0 Mum)

Procura baixa (3 Mum)


0.4
Procura elevada (4 Mum)
0.6

4.6

Procura baixa (3 Mum)


0.4

3+4-2=5

5.2
Procura elevada (4 Mum)
0.6

Sem alargamento
(0 Mum)

5.6

Alargamento
total (-2 Mum)

5.6

Procura baixa (3 Mum)


0.4 (4 Mum)
Procura elevada
0.6

2.6
Alargamento
parcial 2 (-2 Mum)
3.4
Alargamento
3.8
5.2 parcial 1 (-1 Mum)

Procura baixa (2 Mum)


0.6

Sem alargamento
(0 Mum)

Procura baixa (2 Mum)


0.6
3.4
Procura elevada (3 Mum)
0.4

Alargamento
parcial 2 (-2 Mum)

4+4-2=6

3+3-1-2=3
3+2-1=4 Procura baixa (3 Mum)
0.4

4.4
1+3-3=1

1.4

3+4-2=5

4+2-1-2=3

Sem alargamento
(0 Mum)
Procura baixa (3 Mum)
0.6

4.4

Procura baixa (3 Mum)


0.4

Procura elevada (4 Mum)


0.6

2+2-1=3

3.6

Procura elevada (3 Mum)


0.4

Sem alargamento
(0 Mum)

3+2-1-2=2

Procura elevada (4 Mum)


3+4-1-2=4
0.6

Procura baixa (2 Mum)


0.6
Procura elevada (3 Mum)
0.4

3+2-1=4

1+4-3=2

3+3-1=5
Procura baixa (2 Mum) 1+2-1.5=1.5
Alargamento
0.6
1.9
total (-3 Mum)
Procura elevada (3 Mum)
Alargamento
0.4
parcial 1 (-1.5 Mum)
1+1=2
1+3-1.5=2.5
2.5
Procura baixa (1 Mum)
Sem alargamento
0.5
(0 Mum)
2+2-1.5=2.5
2.5
Procura baixa (1 Mum)
Procura elevada (2 Mum)
Procura baixa (2 Mum)
0.5
0.5
0.6
Procura elevada (4 Mum)
1+2=3
3
0.6
2.9 Procura elevada (3 Mum)
2+4-3=3
2.6
0.4
Procura elevada (2 Mum)
2+3-1.5=3.5
Alargamento
0.5
Procura baixa (3 Mum) 2+3-3=2
total (-3 Mum)
2+1=3
0.4
Procura baixa (1 Mum)
3.5
Alargamento
0.5
parcial 1 (-1.5 Mum)
3.5
Procura elevada (2 Mum)
0.5
Sem alargamento
2+2=4
(0 Mum)
Procura elevada (4 Mum)
0.4

272

Informac
ao adicional

At
e agora consideramos situaco
es em que o decisor escolhe entre ac
oes alternativas
com base apenas na informac
ao que possui `
a priori sobre o problema e sem tentar
obter nenhuma informac
ao adicional.
Quest
oes que se colocam nesta fase:

Vale ou n
ao a pena obter informac
ao adicional?
Que informac
ao adicional obter?
Que estrat
egia seguir depois de conhecida a informac
ao adicional?
Quanto pode valer a informac
ao adicional32 ?

32

Ou de outra forma, at
e quanto estamos dispostos a pagar pela informac
ao adicional?
273

Valor esperado da informac


ao perfeita (VEIP)

Na aus
encia de dados sobre a credibilidade do fornecedor de informac
ao, n
ao
e
possvel atribuir valor a essa informac
ao.
Pode-se no entanto determinar o aumento esperado do valor esperado se a informac
ao
for perfeita, e esse
e realmente um limite superior para o valor da informac
ao.
Esse limite superior
e conhecido por Valor Esperado da Informac
ao Perfeita (VEIP), e
pode ser obtido de tr
es formas diferentes:
1. subtraindo o M
aximo Valor Esperado (com incerteza), do M
aximo Valor
Esperado (com informac
ao perfeita);
2. por uma an
alise incremental;
3. calculando o valor mnimo para a perda de oportunidade esperada.

274

SO

FA fOsofa
fO

VEIP (M
etodo 1)

P
MVEip M
aximo Valor Esperado (informac
ao perfeita) = j h(j ) maxai U(ai , j );
nP
o
MVE M
aximo Valor Esperado (incerteza) = maxai
j h(j ) U(ai , j )

VEIP =

h(j )
maxai U(ai , j )

MVEip MVE

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
300
250
1350

MVEip
485

Considerando o m
aximo valor esperado (MVE ) calculado anteriormente:

VEIP =

MVEip MVE = 485 125 = 360

275

SO

FA fOsofa
fO

VEIP (An
alise incremental)

SO

FA

fOsofa

fO
Partindo novamente do exemplo da
, consideremos a ac
ao escolhida pelo
crit
erio do M
aximo Valor Esperado, Comprar 200.000m2 de X@K .

Para cada um dos estados da natureza que podem ocorrer, podemos calcular a
diferenca entre a maior utilidade e a utilidade associada `
a ac
ao escolhida.
Seguidamente somam-se os produtos dessas diferencas pelas probabilidades de
ocorr
encia dos respectivos estados da natureza:

h(j )
maxai U(ai , j )
U(a2 , j ) (ac
ao escolhida por MVE )
maxai U(ai , j ) U(a2 , j )

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
300
250
1350
-500
250
750
800
0
600

VEIP

360

276

SO

FA fOsofa
fO

VEIP = Minimizac
ao da perda de oportunidade esperada

Considerando os possveis estados da natureza e respetivas probabilidades de


ocorr
encia, tal como se representam na primeira linha da tabela seguinte, e ainda os
valores de P(ai ; j ), obt
em-se a mnima perda de oportunidade esperada.

h(j )
ai
Comprar 100.000m2 de X@K
Comprar 200.000m2 de X@K
Comprar 300.000m2 de X@K

Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
0
800
1200

200
0
400

1800
600
0

POEai
460
360
560

VEIP = Mnima perda de oportunidade esperada (360 neste caso).

277

Informac
ao perfeita ou imperfeita?

A eliminac
ao da incerteza atrav
es da aquisic
ao de informac
ao perfeita:
n
ao
e pratic
avel;
n
ao se pode fazer em tempo u
til;
n
ao se pode fazer de forma econ
omica.
Pode-se obter informac
ao adicional (imperfeita):
atrav
es da realizac
ao de experi
encias
atrav
es da realizac
ao de inqu
eritos.
No entanto, n
ao conv
em esquecer que:
informac
ao inicial + informac
ao adicional informac
ao perfeita

278

Matriz de credibilidade

A Matriz de credibilidade corresponde a uma medida da credibilidade da experi


encia
realizada ou do consultor ouvido.
Considerando P(rk |j ) como a probabilidade de a experi
encia realizada ter resultado
rk , dado que o estado da natureza
e j
Resultados
da experi
encia
r1
r2
r3
..
.
P rK
k P(rk |j )

1
P(r1 |1 )
P(r2 |1 )
P(r3 |1 )
..
.
P(rK |1 )
1

Estados
2
P(r1 |2 )
P(r2 |2 )
P(r3 |2 )
..
.
P(rK |2 )
1

da natureza
3
...
P(r1 |3 )
...
P(r2 |3 )
...
P(r3 |3 )
...
..
..
.
.
P(rK |3 )
...
1
...

J
P(r1 |J )
P(r2 |J )
P(r3 |J )
..
.
P(rK |J )
1

279

Informac
ao perfeita Matriz de credibilidade

No caso de informac
ao perfeita (credibilidade m
axima), considerando que o resultado
ri indicia que ocorrer
a o estado da natureza i , a Matriz de credibilidade ser
aa
seguinte:
Resultados
da experi
encia
r1
r2
r3
..
.
rJ

1
1
0
0
..
.
0

Estados
2
0
1
0
..
.
0

da natureza
3
...
J
0
...
0
0
...
0
1
...
0
..
..
..
.
.
.
0
...
1

280

SO

FA fOsofa
fO

Informac
ao Perfeita (
arvore de decis
ao)

281

Teoria da Decis
ao
Exerccios

282

Xpt0 Textil
A empresa XptO Lda.
e uma empresa t
extil que est
a atualmente a preparar a sua colec
ao de Inverno, a ser lancada
no pr
oximo ano. O Eng. Leopoldo, gestor da empresa, est
a com d
uvidas relativas ao montante de investimento a
ser destinado a esta colec
ao e pondera entre o que considera um grande investimento, um investimento mediano e
um pequeno investimento.
Nos u
ltimos anos, o clima, que tanta influ
encia tem no sucesso da colec
ao, tem-se revelado incerto, sendo que o

Outono e o Inverno podem ser muito semelhantes, e `


as vezes o Inverno
e marcado por dias de muito sol e calor. E
sabido que, se o pr
oximo Inverno apresentar muitos perodos de sol e calor, a colec
ao de Inverno ir
a ser um
fracasso; se, por outro lado, o Inverno for rigoroso, a colec
ao trar
a lucros avultados `
a XptO; h
a tamb
em a
possibilidade de o Inverno apresentar condic
oes interm
edias, correspondendo a um menor sucesso da colec
ao.
O Eng. Leopoldo preparou a matriz de decis
ao que se segue, onde os valores representam lucro (em milhares de
euros):
(Ke)
Grande investimento
Investimento mediano
Pequeno investimento

Inverno rigoroso
5 000
4 600
800

Inverno ameno
2 000
1 000
200

Inverno quente
-2 000
-50
0

1. Defina o decisor, as aco


es e os estados da natureza.
2. Suponha que a instabilidade dos u
ltimos anos torna muito difcil definir as probabilidades de ocorr
encia dos
estados da natureza. Determine que tipo de investimento deve fazer a XptO com base nos crit
erios:
Otimista (MaxiMax); Pessimista (MaxiMin); Laplace; Hurwicz com =0.8 e Savage.
3. Considere agora que, apesar da instabilidade, foi possvel estimar as seguintes probabilidades de ocorr
encia
dos estados da natureza:
p(Inverno rigoroso)=50%, p(Inverno ameno)=30%, p(Inverno quente)=20%.
Determine que tipo de investimento deve fazer a empresa com base nos crit
erios: MVE (Maximizac
ao do
valor esperado) e MPOE (Minimizac
ao da perda de oportunidade esperada).

283

Explorac
ao de G
as Natural
Uma grande empresa multinacional ligada ao sector energ
etico pretende pagar `
a empresa
Latif
undios e Companhia 60 000e pelos direitos de explorac
ao do g
as natural numa sua
propriedade. A oferta da multinacional inclui a opc
ao para desenvolvimento futuro. Se essa opc
ao
se concretizar, caso o g
as natural seja descoberto durante a fase de explorac
ao, a empresa
Latif
undios e Companhia receber
a 600 000e adicionais.
A empresa Latif
undios e Companhia considera que o interesse da multinacional
e uma boa
indicac
ao de que o g
as existe e pretende avaliar a possibilidade de avancar ela pr
opria com a
explorac
ao. Para isso dever
a contratar uma equipa de especialistas em explorac
ao e
desenvolvimento de g
as natural.
O custo inicial da explorac
ao
e de 100 000e. esse valor ser
a perdido se nenhum g
as for
encontrado. Se for descoberto g
as na fase inicial, o lucro estimado ser
a de 2 000 000e.
As alternativas de decis
ao da Latif
undios e Companhia s
ao: D1 (aceitar a oferta da multinacional);
D2 (avancar com a explorac
ao).
Os estados da natureza s
ao: S1 (n
ao existe g
as natural na propriedade); S2 (existe g
as natural na
propriedade).
A empresa Latif
undios e Companhia estima que h
a 60% de probabilidade de ser encontrado g
as
natural na propriedade.
Os ganhos esperados para cada par (alternativa, estado da natureza) s
ao apresentados na tabela
seguinte:
D1
D2

S1
60
-100

S2
660
2000

1. Determine as decis
oes recomendadas pelos crit
erios: Pessimista (Maximin); Laplace; Savage;
Hurwicz ( = 0, 4); MVE (M
aximo Valor Esperado).
2. Considere agora que os valores representados na Matriz de Decis
ao s
ao custos e n
ao ganhos.
Determine agora as decis
oes recomendadas pelos crit
erios indicados na alnea anterior.
284

Nova Peca Autom


ovel
Uma empresa da ind
ustria autom
ovel pretende apostar no desenvolvimento de uma nova peca.
Para o desenvolvimento da nova peca a empresa tem a alternativa de fazer a investigac
ao e
desenvolvimento (I&D) por conta pr
opria. A direc
ao da empresa admite tamb
em a possibilidade de
formar um cons
orcio com uma firma de consultoria em engenharia.
A tabela seguinte apresenta os lucros esperados, em valor atual, para os pr
oximos 5 anos,
dependendo do sucesso alcancado e da alternativa escolhida:
Grande sucesso
(p1 )

Sucesso moderado
(p2 )

Sem sucesso
(p3 )

300
200

40
30

-60
-20

Lucros (Me)
D (desenvolvimento pr
oprio)
C (cons
orcio com outra empresa)

Com base em estudos de viabilidade e ap


os diversas consultas a empresas de marketing e de
desenvolvimento, estimaram-se as seguintes probabilidades p1 = 0.2, p2 = 0.4 e p3 = 0.4 para a
ocorr
encia de cada um dos estados da natureza.
1. Que decis
ao corresponde ao M
aximo Valor Esperado?
2. Qual a decis
ao a tomar caso se utilize o crit
erio Pessimista (Maximin)?
3. Represente a
arvore de decis
ao.
4. Determine o VEIP (Valor esperado da informac
ao perfeita) e explique o seu significado.

285

Aquisic
ao de M
aquinas
A empresa Gulas & Gulas, que opera na
area alimentar, considera
a possibilidade de adquirir m
aquinas para rotulagem das suas
garrafas, tal como se representa na figura.
A empresa dever
a decidir se adquire uma ou duas m
aquinas de
rotulagem, contudo, o custo por m
aquina ser
a menor se as 2
forem compradas ao mesmo tempo.
Se for adquirida s
o uma m
aquina e a procura do artigo for elevada,
aquina ainda poder
a ser comprada mais tarde.
a 2a m
As probabilidades estimadas para a procura do produto s
ao:
procura baixa 0,30;
procura alta 0,70
O valor actual associado aos resultados de compra das 2 m
aquinas
no incio
e de 750Me, se a procura for baixa, e de 1300Me se
for alta a procura do produto.
O valor actual associado aos resultados de compra de uma m
aquina sob procura baixa
e de 900Me. Se a procura for alta h
a3
hip
oteses:
nada fazer resulta no valor de 900Me;
subcontratar dar
a 1 100Me;
comprar a 2a m
aquina permitir
a obter 1 000Me.
1. Construa a
arvore de decis
ao para o problema descrito.
2. Determine, pelo crit
erio do M
aximo Valor Esperado, quantas m
aquinas dever
ao ser
adquiridas no incio.

286

Lesto, um novo produto


A comercializac
ao do LEST O, um novo produto (que at
e j
a tem nome) da empresa Expedita
comeca a ganhar forma. Todavia, como
e frequente em situac
oes de lancamento de novas marcas,
h
a um consider
avel risco associado ser
a que o produto se aguentar
a bem?
Numa postura prudente, a Expedita acha conveniente introduzir o LEST O apenas a nvel
regional, para teste de mercado, antes dum lancamento nacional. Portanto, a primeira decis
ao a
tomar respeita `
a conduc
ao (ou n
ao) do teste de mercado.
A empresa estima o custo de 50 000e para o estudo de mercado. Se for esta a opc
ao, dever
a
aguardar os resultados desse teste. Ent
ao decidir
a, neles apoiada, se apostar
a na comercializac
ao
do LEST O por todo o pas. Por outro lado, se a opc
ao inicial for n
ao proceder aos testes, ent
ao
a decis
ao final comercializar ou n
ao o produto a nvel nacional, poder
a desde j
a ser tomada.
A Expedita avalia o sucesso do produto, no mercado nacional, em 1.2Me, devendo um insucesso
derivar num custo para a empresa de 500 000e.
As probabilidades a associar aos v
arios acontecimentos refletem o conhecimento cientfico existente
e a experi
encia da empresa com produtos similares. Assim a Expedita avalia como sendo de 50% a
probabilidade de sucesso (ou de insucesso) do LEST O a nvel nacional, sem qualquer informac
ao
proveniente de testes de mercado. Contudo, se um teste for realizado e apontar para sucesso,
ent
ao a empresa acredita que a probabilidade de sucesso a nvel nacional do produto ser
a de 70%,
enquanto que, no caso contr
ario (o teste apontar para fracasso), a probabilidade de sucesso no
mercado nacional ser
a apenas de 20%. Finalmente, sup
oe-se que a probabilidade do teste apontar
para um sucesso
e de 60%.
1. Qual a estrat
egia conveniente a adotar (crit
erio M
aximo Valor Esperado)?
2. A func
ao do teste de mercado
e a obtenc
ao de informac
ao mais apurada alusiva ao mercado
nacional, sob a forma de probabilidades. Com base nos dados disponveis, qual o m
aximo que
a Expedita dever
a pagar por esse teste de mercado?
3. Um acr
escimo no valor atribudo ao sucesso do LEST O (1.2Me) ter
a alguma consequ
encia
para a resposta `
a primeira alnea?
287

Virada Cultural I
33 A escolha do programador para o evento inaugural da Virada Cultural em S
ao Paulo
e uma decis
ao de enorme responsabilidade pelo
certo no entanto que esses custos
impacto que pode ter na ades
ao do p
ublico a toda a programac
ao e tamb
em pelos custos envolvidos. E
podem ser recuperados, total ou parcialmente, atrav
es do patrocnio de uma empresa, que ser
a o mecenas exclusivo do evento, e tamb
em
atrav
es das receitas de bilheteira.
tamb
E
em de salientar a ligac
ao forte que existe entre as empresas que est
ao dispostas a patrocinar o evento inaugural e o programador
escolhido. De facto, as empresas est
ao mais ou menos interessadas em associar as suas marcas ao evento inaugural dependendo do tipo de
espet
aculo em causa, e isso depende fortemente do estilo de cada programador. No entanto, vai ser necess
ario comecar por escolher o
programador e s
o dentro de alguns meses ser
a conhecida a empresa patrocinadora. Na tabela seguinte est
ao representados, para cada
programador, os custos com a sua contratac
ao assim como as probabilidades do evento ser patrocinado por cada um dos potenciais
patrocinadores, este ano duas companhias a
ereas. Na mesma tabela tamb
em
e apresentado o valor do patrocnio, que
e independente do
programador.

Programador
Andr
e Midani
Yakoff Sarcovas
Valor do patrocnio

Custo
(106 Reais)
2
1
6
(10 Reais)

Patrocinador
Azul
TAM
20%
80%
70%
30%
1
2

Os tipos de espet
aculos concebidos por cada um dos programadores s
ao bem diferentes. Os custos s
ao diferentes, bem com o n
umero
m
aximo de espectadores. Os espet
aculos podem ser ao ar livre ou em recinto fechado e o preco a cobrar pelos ingressos varia de
espet
aculo para espet
aculo. Embora o programador Andr
e Midani tenha concebido dois espet
aculos, A e B, a escolha entre os dois s
o se
coloca se for a Azul a empresa patrocinadora. Se a patrocnio for da TAM e o Andr
e Midani for o programador escolhido, ent
ao ser
a
necessariamente o espet
aculo A o realizado.
Os detalhes para cada espet
aculo s
ao apresentados na tabela seguinte. Se o evento for patrocinado pela Azul, ent
ao o n
umero m
aximo de
espectadores ter
a um incremento de 20% pois este patrocinador tem acesso a recintos de maior dimens
ao.

Programador
Andr
e Midani
Andr
e Midani
Yakoff Sarcovas

Espet
aculo
A
B
C

Custo
(106 Reais)
2
2
3

Ar Livre?
Recinto Fech.?
AL
RF
AL

No m
aximo
espectadores
30 000
10 000
40 000

Preco ingresso
(Reais)
100
200
80

288

Virada Cultural II

Na altura do ano em que decorre a Virada Cultural em S


ao Paulo a temperatura
e bem amena, mas h
a uma probabilidade de 60% de
chover na noite do evento inaugural. Das experi
encias anteriores sabe-se que, se o espet
aculo decorrer ao ar livre, caso chova a assist
encia
ficar
a apenas por 70% da lotac
ao m
axima do recinto. Se o espet
aculo decorrer num recinto fechado a chuva n
ao tem influ
encia no n
umero
de espectadores que ser
a igual `
a lotac
ao m
axima do recinto. Se n
ao chover, o n
umero de espectadores ser
a igual `
a lotac
ao m
axima dos
recintos em todos os espet
aculos.
1. Represente a
arvore de decis
ao para o problema descrito acima. Represente na
arvore todas as decis
oes e estados da natureza com
as probabilidades associadas e tamb
em todos os custos e receitas.
2. Que decis
ao maximiza o valor esperado do lucro? Represente todos os valores interm
edios dos seus c
alculos na
arvore de decis
ao.
3. Que decis
ao tomaria um decisor otimista? Explique porqu
e.
4. Que decis
ao tomaria um decisor pessimista? Explique porqu
e.

33

Retirado de Exame de Investigac


ao Operacional de 20130201
289