Escolar Documentos
Profissional Documentos
Cultura Documentos
Martin Ledermann
Nivia Maria Kinalski
PESQUISA
OPERACIONAL
Catalogação na Publicação:
Biblioteca Universitária Mario Osorio Marques – Unijuí
2
EaD PESQUISA OPERACIONAL
Sumário
APRESENTAÇÃO ............................................................................................................................ 9
3
EaD Martin Ledermann – N ivia Maria Kinalski
Seção 5.3 – Programação Dinâmica, Modelos Dinâmicos e Problemas de Aplicação ........ 140
4
EaD PESQUISA OPERACIONAL
Conhecendo os Autores
Martin Ledermann
5
EaD Martin Ledermann – N ivia Maria Kinalski
6
EaD PESQUISA OPERACIONAL
7
EaD Martin Ledermann – N ivia Maria Kinalski
8
EaD PESQUISA OPERACIONAL
Apresentação
Na área gerencial, a procura cada vez mais acirrada por maiores participações de mer-
cado, pela anulação da concorrência, pela conquista de novos clientes e manutenção dos
atuais, pela qualidade do produto, pela maximização dos resultados e pela minimização dos
dispêndios, tem levado as empresas a buscarem conhecimentos e técnicas que vão ao en-
contro destes objetivos.
Outra é que parte das pessoas que se encaminham para alguns desses cursos têm
grandes dificuldades de assimilar conhecimentos na área quantitativa. E Pesquisa
Operacional se sustenta basicamente por meio de operações quantitativas. Podemos afir-
mar, entretanto, que não existe dificuldade que não possa ser superada.
Este é um livro-texto para ler, entender e praticar. A partir da leitura desta obra ex-
pressões como Programação Linear, Modelo Matemático, Dualidade, Análise de Sensibili-
dade, Problema de Transporte, Teoria das Filas, Programação Dinâmica, Modelos de Esto-
que e Simulação farão parte da rotina profissional daqueles que a lerem. Um grande abraço
a todos e bons estudos.
9
EaD Martin Ledermann – N ivia Maria Kinalski
10
EaD PESQUISA OPERACIONAL
Para que possamos dar conta do que se propõe este componente curricular e atingir os
objetivos estabelecidos, o conteúdo deste livro está organizado em seis unidades, descritas
no Quadro 1.
11
EaD Martin Ledermann – N ivia Maria Kinalski
UNIDADE 1
A Unidade 1 tem como objetivo proporcionar o suporte teórico necessário para o bom
entendimento dos conteúdos do componente curricular. Fazem parte desta Unidade o con-
ceito de Pesquisa Operacional, seu surgimento e fases de estudo; a relação da Pesquisa
Operacional com o Processo Decisório, em que os conceitos de decisão e as peculiaridades
do processo decisório serão abordados.
UNIDADE 2
UNIDADE 3
UNIDADE 4
A Unidade 4 aborda especificamente a Teoria das Filas. Essa teoria tem sido aplicada
na solução de problemas relativos de tráfego (congestionamento), em programação de tráfe-
go aéreo, em projetos de represas, em programação de produção, em operações hospitalares,
na resolução de problemas de filas em bancos e supermercados, entre outras aplicações. Os
conteúdos desta Unidade são: introdução à pesquisa operacional, aspectos gerais da Teoria
das Filas, características das filas, localização das variáveis aleatórias, Modelo de fila M/M/
1 e Modelo de fila M/M/C.
12
EaD PESQUISA OPERACIONAL
UNIDADE 5
UNIDADE 6
13
EaD PESQUISA OPERACIONAL
Unidade 1
Esta unidade tem o propósito de subsidiar, do ponto de vista teórico, os conteúdos das
unidades subsequentes. Para tanto, abordaremos nesta etapa os conceitos de Pesquisa
Operacional, seu surgimento, as fases de um estudo em Pesquisa Operacional, a relação da
Pesquisa Operacional com o Processo Decisório, os conceitos de decisão e as peculiaridades
do processo decisório.
Seção 1.1
15
EaD Martin Ledermann – N ivia Maria Kinalski
Para você, afinal, que está lendo este livro, o que é Pesquisa Operacional? Já ouviu
falar algo sobre esta disciplina? Para Silva et al. (2009), Pesquisa Operacional é um método
científico para as tomadas de decisão. Consiste basicamente na descrição de situações re-
ais, que são transformadas em modelos matemáticos que, por sua vez, servirão de base para
a utilização de algumas ferramentas, cujo objetivo é alcançar o melhor resultado possível.
As ferramentas de Pesquisa Operacional geralmente são utilizadas para maximizar lucros
ou minimizar custos.
Para começar a entender para que servem os métodos de Pesquisa Operacional, utili-
zaremos um exemplo de maximização de lucro:
A Pizzas do Sul, empresa localizada no município de Três Passos, Estado do RS, após
análise de seu mercado, identificou a possibilidade de produzir dois tipos de produtos: pizzas
tamanho “G” e pizzas tamanho “GG”. O lucro de cada unidade de pizza tamanho “G” é de
R$ 8,00. Já o lucro de cada unidade de pizzas tamanho “GG” é de R$ 2,00. O tempo neces-
sário para produzir uma unidade de pizza tamanho “G” é de 2 horas, enquanto que o tempo
necessário para produzir uma unidade de pizza tamanho “GG” é de 3 horas. Para produzir
uma pizza tamanho “G” são necessários 2 funcionários, enquanto que para produzir uma
pizza tamanho “GG” utiliza-se apenas 1 funcionário. Além disso, uma pesquisa de merca-
do encomendada pela empresa indicou que a demanda diária para as pizzas tamanho “G” é
de até 20 unidades, enquanto que a demanda diária por pizzas tamanho “GG” não é supe-
rior a 28 unidades. Construa o modelo de Programação Linear, indique as quantidades de
cada tipo de pizza que deverão ser produzidas e indique o lucro máximo, considerando que
a empresa dispõe de até 12 horas diárias e no máximo 8 funcionários por dia para a produ-
ção desses dois produtos.
O resultado deste exemplo indica que a Pizzas do Sul deve produzir 4 unidades de
pizzas “G” e nenhuma unidade de pizza “GG”, gerando um lucro máximo de R$ 32,00. A
produção ficou limitada a esta quantidade devido ao número de funcionários disponíveis,
que é de apenas 8. Além disso, considerando essa quantidade produzida, sobraram 4 horas
de mão de obra sem serem utilizadas, e uma demanda de 16 unidades de pizzas “G” ainda a
ser atendida, além da demanda de 28 unidades de pizzas tamanho “GG”. E como chegar a
estas conclusões? A resposta é simples: com o uso das ferramentas de Pesquisa Operacional.
Na segunda seção deste livro utilizaremos este mesmo exemplo e ensinaremos o passo-a-
passo para chegar a este resultado.
16
EaD PESQUISA OPERACIONAL
Seção 1.2
De acordo com Andrade (2000), são seis as fases de um estudo em Pesquisa Operacional,
expostas na Figura 1: definição do problema, construção do modelo, solução do modelo,
validação do modelo, implementação dos resultados e avaliação final.
Essa sequência de passos não é rígida, mas indica as principais etapas que devem ser
seguidas. Os procedimentos utilizados nessas fases dependem do tipo do problema em aná-
lise e do contexto que o envolve.
DEFINIÇÃO DO PROBLEMA
CONSTRUÇÃO DO MODELO
IMPLEMENTAÇÃO DOS
RESULTADOS
a) Definição do problema
17
EaD Martin Ledermann – N ivia Maria Kinalski
O problema começa a ser resolvido a partir da definição dos objetivos, os quais podem
ser de maximização ou minimização de algo. O segundo ponto é determinar as variáveis de
decisão, que devem estar relacionadas aos objetivos. Já o terceiro elemento é composto
pelas restrições, limitações ou exigências existentes.
b) Construção do modelo
O modelo a ser construído deve estar baseado na definição do problema. Esta é a fase
que exige maior criatividade do analista, uma vez que a qualidade de todo o processo de-
pende desta etapa. Modelos matemáticos são muito utilizados pelas empresas em seus pro-
cessos decisórios.
c) Solução do modelo
Tem por objetivo encontrar uma solução para o modelo construído. Em Pesquisa
Operacional algumas técnicas conhecidas como o Método Simplex, Análise de Sensibilida-
de, Dualidade, Simulação, entre outras, são empregadas na solução de modelos.
d) Validação do modelo
Um sistema pode ser validado por meio da análise de dados passados do próprio siste-
ma e da utilização desses dados para verificar se o sistema reproduziu o mesmo comporta-
mento ou comportamento parecido.
e) Implementação da solução
f) Avaliação final
18
EaD PESQUISA OPERACIONAL
Seção 1.3
Andrade (2000) destaca quatro características principais do processo decisório. São elas:
• é um processo complexo;
a) Processo sequencial
Parte do pressuposto de que todas as decisões são consequências de uma série de fatos
anteriores que criaram as bases do processo decisório. Isso significa que uma decisão é um
conjunto de muitas outras decisões que se desenvolvem durante um longo período de tempo.
b) Processo complexo
Os processos decisórios são extremamente complexos. Vários são os fatores que con-
duzem a esta afirmação. Primeiramente, podemos afirmar que quase sempre as informações
relacionadas ao problema são insuficientes. Além disso, o processo decisório envolve inter-
relacionamento entre pessoas, em que interesses pessoais muitas vezes se sobrepõem aos
interesses organizacionais.
19
EaD Martin Ledermann – N ivia Maria Kinalski
Decisões são tomadas por pessoas. Por mais que se busque a participação coletiva
no processo decisório e que esta seja baseada em dados e informações, quem realmente
decide é um conjunto limitado de pessoas. E é nesse momento que os fatores intuitivos,
provenientes da experiência pessoal e da personalidade de quem decide, se fazem pre-
sentes.
Não se quer aqui negar a importância desses fatores no processo de decisão. Muito
pelo contrário, é o uso desses fatores que diferencia o bom do mau administrador (Andrade,
2000).
20
EaD PESQUISA OPERACIONAL
Vários são os tipos de decisões tomadas pelas empresas. Algumas são mais complexas,
envolvem grandes montantes financeiros e alto risco. Outras têm um grau de complexidade
menor se comparadas às primeiras, e risco médio. E algumas possuem um baixo grau de
complexidade e risco. A quem, contudo, cabe a responsabilidade de decidir? A seguir, apre-
sentaremos os níveis organizacionais e suas responsabilidades no processo de tomadas de
decisão.
• Nível estratégico: decisões de nível estratégico envolvem alto risco, e grandes montantes
financeiros. São de grande importância e abrangência. São exemplos de decisões de nível
estratégico a construção de uma nova fábrica, decisões de diversificação, lançamento de
uma nova marca e fusão com outra empresa, entre outras.
• Nível tático: decisões de nível tático envolvem risco médio e montantes financeiros me-
nores que os envolvidos nas decisões de nível estratégico, mas maiores dos que são envol-
vidos no nível operacional. São exemplos desse tipo de decisão as programações orça-
mentárias, programação da produção, contratação de um funcionário.
• Nível operacional: decisões de nível operacional envolvem baixos riscos e pequenos mon-
tantes financeiros. São as chamadas decisões diárias, corriqueiras. Exemplo: controle de
estoque.
O que significa ter qualidade nas decisões? É possível afirmar que existem decisões
ótimas? O que é uma decisão de alta qualidade? É possível se obter o consenso sobre deci-
sões instituídas? Decisões irracionais podem ter sucesso? É possível ser totalmente racional
quando se decide sobre algo?
Definir uma decisão como sendo de alta qualidade é uma tarefa difícil e discutível
(Andrade, 2000). Às vezes uma decisão aparentemente inadequada e ou até mesmo irracio-
nal para algumas pessoas pode tornar-se um grande sucesso e causará admiração pelo fato
de que ninguém apostava nela.
21
EaD Martin Ledermann – N ivia Maria Kinalski
É importante ressaltar, contudo, que essa situação configura-se como uma grande
exceção e felizmente todas as decisões seguem um padrão mais perceptível de racionalidade.
É possível identificar algumas características do que seria uma decisão de qualidade, na
visão de Andrade (2000):
Dessa forma, podemos afirmar que a qualidade da decisão é maior quanto maior for o
grau de participação dessas características no processo decisório.
Vários são os obstáculos que surgem para complicar o processo de tomada de uma
decisão. Alguns deles dizem respeito ao caráter pessoal do administrador, como a força do
hábito e valores pessoais. É o caso da seguinte desculpa: “Sempre fizemos dessa forma”.
Outro fator que muitas vezes prejudica a qualidade das decisões é o tempo. Às vezes
a urgência da decisão faz com que se tome uma decisão equivocada e com conhecimento
incompleto dos dados do problema. Para Andrade (2000), contudo, existem duas dificul-
dades maiores que são inerentes ao problema e que podem influenciar inevitavelmente a
qualidade da decisão: a escolha do problema certo para resolver e o conhecimento insufi-
ciente.
Fazer certo as coisas é importante, porém fazer as coisas certas é mais importante
ainda. E o que isso quer dizer? O primeiro passo para uma decisão de qualidade é saber qual
problema requer solução, pois os mesmos não aparecem com rótulos, pedindo uma solução.
22
EaD PESQUISA OPERACIONAL
Eles aparecem por meio de alguns sintomas, como reclamações, atrasos, prejuízos.
Diante disso, a primeira tarefa do administrador é identificar os problemas que causam os
efeitos perturbadores. Peter Drucker, como revela Andrade (2000), afirma que a fonte mais
comum de enganos é a ênfase em encontrar a resposta certa em lugar de procurar a questão
certa para responder.
b) Conhecimento insuficiente
Para que uma decisão tenha qualidade indiscutível, é necessária a posse de um amplo
e completo conjunto de informações acerca de todas as alternativas possíveis, como tam-
bém possíveis consequências acerca de cada alternativa (Andrade, 2000).
Por outro lado, se poucas informações criam um ambiente de incerteza para o proces-
so de decisão, muitas informações também podem prejudicar, o que exige tempo e habilida-
des extras para análise. Diante disso, o administrador, muitas vezes, decide tendo como
base sua experiência pessoal.
Seção 1.4
A Pesquisa Operacional tem sido vista, de acordo com Andrade (2000), sob dois
enfoques diferentes quanto à abordagem, mas coerentes e complementares na aplicação
prática: o enfoque clássico e o enfoque atual.
a) Enfoque clássico
23
EaD Martin Ledermann – N ivia Maria Kinalski
Para grande parte dos administradores essa definição leva à ideia de que Pesquisa
Operacional apenas fornece um conjunto de técnicas e métodos que são úteis apenas para
a solução de determinados problemas, quando estes podem ser modelados na forma correta.
Como modelos são representações simplificadas da realidade, as soluções ótimas obtidas
podem deixar a desejar quanto a sua aplicabilidade.
Apesar de apresentar algumas limitações, o enfoque clássico tem o mérito de ter sido,
por muito tempo, extremamente útil ao desenvolvimento dessa metodologia, pois agregou
um grande contingente de matemáticos, engenheiros, físicos, economistas e profissionais de
diversas áreas, pesquisando e desenvolvendo métodos para a solução de problemas.
b) Enfoque atual
Seção 1.5
24
EaD PESQUISA OPERACIONAL
Seção 1.6
Estes, e diversos outros de mesma natureza são, porém, de grande interesse, pois sur-
gem em aplicações práticas na indústria, tais como em projetos de redes de telecomunica-
ção e de circuitos, problemas de empacotamento, problemas de localização de centros distri-
buidores, problemas de escalonamento, problemas de roteamento de veículos, entre outros.
Outras áreas de aplicação incluem estatística (análise de dados), economia (matrizes de
entrada/saída), física (determinação de estados de energia mínima), biologia molecular (ali-
nhamento de DNA, inferência de padrões).
25
EaD Martin Ledermann – N ivia Maria Kinalski
SÍNTESE DA UNIDADE 1
Nesta Unidade pudemos perceber a importância e a aplicabilidade
da Pesquisa Operacional. Aprendemos que Pesquisa Operacional
surgiu durante a Segunda Guerra Mundial para resolver proble-
mas de operações militares. Descobrimos também que a base da
Pesquisa Operacional é a Matemática, onde tudo começa com um
problema a ser resolvido, passando pela construção de um modelo
matemático, seguido de sua resolução e posterior teste. Esta Uni-
dade também serviu para nos mostrar que as ferramentas de Pes-
quisa Operacional estão diretamente relacionadas ao processo
decisório das organizações, pois suas ferramentas possibilitam às
empresas escolhas de ações mais confiáveis e menos incertas.
26
EaD PESQUISA OPERACIONAL
Unidade 2
PROGRAMAÇÃO LINEAR
27
EaD Martin Ledermann – N ivia Maria Kinalski
Seção 2.1
Cada restrição imposta deve ser expressa de forma linear. Restrições podem ser defini-
das como os elementos que limitam o processo decisório, ou seja, as condições dadas. Por
exemplo, uma empresa de confecções pode limitar a quantidade de peças de roupas a produ-
zir devido à disponibilidade de tecido que possui. Nesse caso, a quantidade de tecido pode
restringir o número de itens e limitar o lucro da empresa.
28
EaD PESQUISA OPERACIONAL
A Pizzas do Sul, empresa localizada no município de Três Passos, Estado do RS, após
análise de seu mercado, identificou a possibilidade de produzir dois tipos de produtos: pizzas
tamanho “G” e pizzas tamanho “GG”. O lucro de cada unidade de pizza tamanho “G” é de
R$ 8,00. Já o lucro de cada unidade de pizzas tamanho “GG” é de R$ 2,00. O tempo neces-
sário para produzir uma unidade de pizza tamanho “G” é de 2 horas, enquanto que o tempo
necessário para produzir uma unidade de pizza tamanho “GG” é de 3 horas. Para produzir
uma pizza tamanho “G” são necessários 2 funcionários, enquanto que para produzir uma
pizza tamanho “GG” utiliza-se apenas 1 funcionário. Além disso, uma pesquisa de mercado
encomendada pela empresa indicou que a demanda diária para as pizzas tamanho “G” é de
até 20 unidades, enquanto que a demanda diária por pizzas tamanho “GG” não é superior
a 28 unidades. Construa o modelo de Programação Linear que possibilite indicar as quanti-
dades de cada tipo de pizza que deverão ser produzidas e, como consequência disso, indicar
o lucro máximo, considerando que a empresa dispõe de até 12 horas diárias e no máximo 8
funcionários por dia para a produção desses dois produtos.
29
EaD Martin Ledermann – N ivia Maria Kinalski
• Horas ocupadas com a produção das pizzas tamanho “G”: 2.x 1 (uso por unidade X quan-
tidade produzida).
• Horas ocupadas com a produção das pizzas tamanho “GG”: 3.x 2 (uso por unidade X quan-
tidade produzida).
• Número de funcionários usados na produção das pizzas tamanho “G”: 2.x 1 (uso por uni-
dade X quantidade produzida).
• Número de funcionários usados na produção das pizzas tamanho “GG”: 1.x 1 (uso por
unidade X quantidade produzida).
30
EaD PESQUISA OPERACIONAL
• Resumo do Modelo
Variáveis de decisão:
Função Objetivo:
Restrições
Demanda X1 x1 ≤ 20
Demanda X2 x2 ≤ 28
31
EaD Martin Ledermann – N ivia Maria Kinalski
Vale salientar que nesta etapa só estamos construindo modelos de Programação Line-
ar. Adiante abordaremos soluções possíveis dos modelos.
A indústria de Móveis Madeira produz dois tipos de produtos: mesas para computa-
dor e escrivaninhas. A empresa necessita de 4 horas para produzir cada mesa para compu-
tador e 6 horas para fabricar cada unidade de escrivaninha. O tempo disponível para fazer
essas atividades é de, no máximo, 480 horas. Além disso, uma análise da empresa revela
que a demanda esperada para mesas de computador é de, no mínimo, 80 unidades, en-
quanto que a demanda para escrivaninhas é de no mínimo 60 unidades. Construa o Mo-
delo de Programação Linear que possibilite conhecer as quantidades de cada tipo de pro-
duto a serem produzidas com o menor custo, considerando que cada mesa para computa-
dor tem um custo de produção de R$ 50,00 e cada escrivaninha tem um custo de produção
de R$ 75,00.
O objetivo é minimizar o custo. Para isso acontecer, precisamos saber quais são as
quantidades de mesas para computador e escrivaninhas que devem ser produzidas, pois já
conhecemos o custo unitário de cada um desses produtos. Determinaremos por “x 1” a quan-
tidade de mesas para computador a ser produzida, e por “x 2” a quantidade de escrivaninhas
a ser produzida, resultando esta etapa do modelo da seguinte forma:
32
EaD PESQUISA OPERACIONAL
• Horas ocupadas com a produção de cada unidade de mesa para computador: 4.x 1 (uso por
unidade X quantidade produzida).
• Horas ocupadas com a produção de cada unidade de escrivaninha: 6.x 2 (uso por unidade
X quantidade produzida).
• Resumo do Modelo
Variáveis de decisão:
33
EaD Martin Ledermann – N ivia Maria Kinalski
Função Objetivo:
Restrições
Demanda X1 x1 ≥ 80
Demanda X2 x2 ≥ 60
EXERCÍCIOS (LISTA 1)
2. Uma indústria de confecções produz 2 tipos de jaquetas: adulto feminina (P1) e adulto
masculina (P2). A demanda para P1 é de no máximo 120 unidades por trimestre. Já para
P2 a demanda é de no mínimo 90 unidades por trimestre. São necessários 6 funcionários
para produzir uma unidade de P1 e 9 funcionários para produzir uma unidade de P2. A
mão de obra disponível para executar tais tarefas não é superior a 360 colaboradores. Já
o lucro unitário gerado por cada unidade de P1 é de R$ 300,00 e R$ 450,00 para cada
unidade de P2. Construa o modelo de Programação Linear que possibilite indicar a quan-
tidade de cada tipo de produto que deve ser produzida para maximizar o lucro.
3. O restaurante Comer Bem produz dois pratos principais: filés e pizzas. Dentre os diversos
ingredientes utilizados na fabricação desses pratos destacam-se as carnes e os molhos. A
tabela do uso desses recursos encontra-se a seguir:
34
EaD PESQUISA OPERACIONAL
Além disso, sabe-se que o lucro de cada prato de filé é de R$ 12,00 e o lucro de cada
pizza é de R$ 9,00. Construa o modelo de Programação Linear que possibilite indicar as
quantidades de cada tipo de prato que devem ser produzidas para maximizar o lucro do
restaurante.
Para produzir 1 kg de Ração para Vaca Leiteira são necessários 0,25 kg de farelo de soja;
0,4 kg de farelo de milho e 0,35 kg de farelo de trigo. Para produzir 1 kg de Ração para Gado de
Corte são necessários 0,25 kg de farelo de soja e 0,75 kg de farelo de milho. Já para produzir 1 kg
de Ração para Galinhas Poedeiras são necessários 0,25 kg de farelo de soja; 0,65 kg de farelo
de milho e 0,1 kg de calcário. As disponibilidades dos recursos produtivos necessários para a
produção dos tipos de rações mencionados encontram-se descritas na tabela a seguir:
35
EaD Martin Ledermann – N ivia Maria Kinalski
Além disso, o setor financeiro relatou que cada kg de Ração para Vaca Leiteira produ-
zido dá um lucro de R$ 0,53; cada kg de Ração para Gado de Corte produzido dá um lucro
de R$ 0,52; e cada kg de Ração para Galinhas Poedeiras produzido dá um lucro de R$ 0,67.
Construa o modelo de Programação Linear que possibilite indicar as quantidades de cada
tipo de ração que devem ser produzidas para maximizar o lucro da empresa.
7. A Fazenda Vaca Brava cria três tipos de animais de raça: animais da raça tipo “A”; animais
da raça tipo “B” e animais de raça tipo “C”. Cada animal da raça tipo “A” dá um lucro de
R$ 700,00; Cada animal da raça tipo “B” dá um lucro de R$ 350,00; e cada animal da
raça tipo “C” dá um lucro de R$ 500,00. Para a alimentação dos animais, a empresa tem
disponível três recursos produtivos, com suas respectivas disponibilidades diárias: milho
(300 Kg); aveia (200 Kg) e alfafa (400 Kg). Cada animal da raça “A” consome diariamente
3 Kg de milho e 8 Kg de aveia. Cada animal da raça “B” consome por dia 3 Kg de milho e
6 Kg de alfafa. Já cada animal da raça “C consome diariamente 2 Kg de milho, 2 Kg de
aveia e 2 Kg de alfafa. Construa o modelo de Programação Linear que possibilite indicar o
número de animais de cada raça que deve ser criado com o objetivo de maximizar o lucro.
8. A Indústria de Rodas d‘Água “Roda Viva” produz três tipos de Rodas d’Água: Roda d’Água
Tamanho Grande (RG); Roda d‘Água Tamanho Médio (RM) e Roda d‘ Água Tamanho
Pequeno (RP). Os custos de produção de cada um dos produtos são os seguintes:
• RG: R$ 2.100,00
• RM: R$ 1.200,00
• RP: R$ 600,00
36
EaD PESQUISA OPERACIONAL
• S (plantio de soja) – destinar certa quantidade de hectares para o plantio de soja. Essa
cultura requer 400 Kg de adubo por hectare e 50 Kg de semente. O lucro dessa atividade
é de R$ 800,00 por hectare.
• M (plantio de milho) – usar uma segunda parte para o plantio de milho. Essa cultura
requer 300 Kg de adubo e 23 Kg de semente por hectare. O lucro dessa atividade é de R$
900,00 por hectare.
• P (pecuária) – usar uma terceira parte para a criação de gado de corte. A recuperação das
pastagens requer adubação de 200 Kg por hectare. O lucro dessa atividade é de R$ 400,00.
• 1.000.000 de Kg de adubo;
37
EaD Martin Ledermann – N ivia Maria Kinalski
Seção 2.2
O Método Simplex
A Pizzas do Sul, empresa localizada no município de Três Passos, Estado do RS, após
análise de seu mercado, identificou a possibilidade de produzir dois tipos de produtos: pizzas
tamanho “G” e pizzas tamanho “GG”. O lucro de cada unidade de pizza tamanho “G” é de
R$ 8,00. Já o lucro de cada unidade de pizzas tamanho “GG” é de R$ 2,00. O tempo neces-
sário para produzir uma unidade de pizza tamanho “G”é de 2 horas, enquanto que o tempo
necessário para produzir uma unidade de pizza tamanho “GG” é de 3 horas. Para produzir
uma pizza tamanho “G” são necessários 2 funcionários, enquanto que para produzir uma
pizza tamanho “GG” utiliza-se apenas 1 funcionário. Além disso, uma pesquisa de mercado
encomendada pela empresa indicou que a demanda diária para as pizzas tamanho “G” é de
até 20 unidades, enquanto que a demanda diária por pizzas tamanho “GG” não é superior
a 28 unidades. Construa o modelo de Programação Linear, indique as quantidades de cada
tipo de pizza que deverão ser produzidas e, como conseqüência disso, indique o lucro máxi-
mo, considerando que a empresa dispõe de até 12 horas diárias e no máximo 8 funcionários
por dia para a produção desses dois produtos.
Variáveis de decisão:
Função Objetivo:
38
EaD PESQUISA OPERACIONAL
Restrições
Demanda X1 x1 ≤ 20
Demanda X2 x2 ≤ 28
O que antes era Max. L: 8.x1 + 2.x2 passa a ser L – 8.x1 – 2.x2
2o passo: para cada restrição, acrescentar uma variável de folga (xf) e igualar o sinal:
4º passo: isolar a variável de decisão que apresenta o maior lucro unitário. Nesse caso
é x 1 (quantidade de pizzas tamanho “G” a produzir) que apresenta um lucro unitário de
R$ 8,00, superior ao lucro de x 2, que é de R$ 2,00. Destacaremos na tabela, então, a colu-
na de x 1.
39
EaD Martin Ledermann – N ivia Maria Kinalski
5º passo: encontrar a linha pivô. Para isso acontecer é preciso dividir cada valor de
“b” pelo elemento pivô de sua respectiva linha, com exceção da primeira linha, que
não participa dessa etapa. O elemento pivô da linha é aquele que pertence ao mesmo
tempo à linha e à coluna da variável de decisão que foi isolada. Nesse caso, o elemen-
to pivô da segunda linha é “2”, da terceira linha é “2”, da quarta linha é “1” e da
quinta linha é “0”.
A linha que apresentar o menor valor acima de 0 (zero) como resultado dessa divisão
será considerada a linha pivô.
A linha que apresentou o menor valor acima de zero como resultado da divisão é a
terceira (8/2 = 4) e está destacada na tabela anterior e exposta na sequência:
0 2 1 0 1 0 0 8
6º passo: encontrar a nova linha pivô . Isso é possível dividindo todos os elementos da linha
pelo respectivo elemento pivô. O resultado dessa operação será a nova linha pivô e, nesse
caso, a nova linha três.
Linha Pivô 0 2 1 0 1 0 0 8
7º passo: encontrar a nova linha do lucro (primeira linha). Isso é possível multiplicando
todos os elementos da nova linha pivô pelo elemento pivô da primeira linha, com o sinal
invertido (8). Ao resultado dessa multiplicação soma-se a primeira linha, resultando na
nova linha do lucro.
40
EaD PESQUISA OPERACIONAL
Multiplicando por 8 = 0 8 4 0 4 0 0 32
+ Linha do Lucro 1 -8 -2 0 0 0 0 0
8º passo: encontrar a nova segunda linha. Multiplicar todos os elementos da nova linha
pivô pelo elemento pivô da segunda linha, com o sinal invertido (-2). Ao resultado dessa
multiplicação soma-se a segunda linha, resultando na nova linha dois.
Multiplicando por -2 = 0 -2 -1 0 -1 0 0 -8
+ Segunda Linha 0 2 3 1 0 0 0 12
9º passo: encontrar a nova quarta linha. Multiplicar todos os elementos da nova linha pivô
pelo elemento pivô da quarta linha, com o sinal invertido (-1). Ao resultado dessa multipli-
cação soma-se a quarta linha, resultando na nova linha quatro.
+ Quarta Linha 0 1 0 0 0 1 0 20
10º passo: encontrar a nova quinta linha. Multiplicar todos os elementos da nova linha
pivô pelo elemento pivô da quinta linha, com o sinal invertido (0). Ao resultado dessa mul-
tiplicação soma-se a quinta linha, resultando na nova linha cinco.
Multiplicando por -1 = 0 0 0 0 0 0 0 0
+ Quinta Linha 0 0 1 0 0 0 1 28
41
EaD Martin Ledermann – N ivia Maria Kinalski
Reescrevendo a tabela:
Resultado:
L: R$ 32,00
x1 (quantidade de pizzas tamanho “G” a produzir): 4
xf1 (quantidade de horas de mão de obra que sobrou): 4
xf3 (demanda de pizzas “G” não atendida): 16
xf4 (demanda de pizzas “GG” não atendida): 28
x2 (quantidade de pizzas “GG” a produzir): 0
xf2 (número de funcionários que sobrou): 0
Interpretando o resultado
• O valor do coeficiente da primeira linha que ficar logo abaixo de “b” é o valor do lucro.
Para determinar o valor de uma variável é preciso verificar nas linhas que estão abaixo
da linha do lucro a existência do número “1”. Se este estiver acompanhado de 0 (zero) nas
demais linhas (no caso do exemplo, a linha 3), o resultado indica que desta variável deve ser
produzida alguma quantidade. No caso de x 1 devem ser produzidas 4 unidades, que é o valor
de “b” que faz parte da mesma linha do número “1”. A mesma regra vale para as demais
variáveis que compõem o modelo.
42
EaD PESQUISA OPERACIONAL
exemplo dado podemos perceber que foram usados os 8 funcionários disponíveis para a
produção de 4 pizzas “G”. Por isso, xf2 = 0. Por outro lado, quando uma variável de folga
apresenta valor, significa que daquela restrição houve sobra. Por exemplo: xf1 (horas) = 4.
Isso quer dizer que produzindo 4 pizzas “G” e nenhuma pizza “GG” sobraram 4 horas. A
mesma regra vale para as demais variáveis.
Variáveis de decisão:
Função Objetivo:
Restrições
O que antes era Max. L: 200.x 1 + 500.x 2 passa a ser L – 200.x 1 – 500.x 2
43
EaD Martin Ledermann – N ivia Maria Kinalski
2 o passo: para cada restrição, acrescentar uma variável de folga (xf) e igualar o sinal:
Observações importantes:
• Quando uma equação apresentar sinal de “=”, acrescenta-se “xf ” e iguala-se o sinal.
• Quando uma equação apresentar sinal de “=”, acrescenta-se “-xf ”, seguida de uma vari-
ável auxiliar “a” e iguala-se o sinal.
• Quando uma equação apresentar sinal de “=”, acrescenta-se uma variável auxiliar “a” e
iguala-se o sinal.
L x1 x2 xf1 xf2 b
1 -200 -500 0 0 0
0 20 30 1 0 120
0 20 10 0 1 80
4º passo: isolar a variável de decisão que apresenta o maior lucro unitário. Nesse caso é
x 2 (quantidade de portões a produzir) que apresenta um lucro unitário de R$ 500,00, supe-
rior ao lucro de x 1, que é de R$ 200,00. Destacaremos na tabela, então, a coluna de x 2.
5º passo: encontrar a linha pivô. Para isso acontecer é preciso dividir cada valor de “b” pelo
elemento pivô de sua respectiva linha, com exceção da primeira linha, que não participa
dessa etapa. O elemento pivô da linha é aquele que pertence ao mesmo tempo à linha e à
coluna da variável de decisão que foi isolada. Nesse caso, o elemento pivô da segunda linha
é “30” e o elemento pivô da terceira linha é “10”.
Obs.: A linha que apresentar o menor valor acima de 0 (zero) como resultado dessa divisão
será considerada a linha pivô.
44
EaD PESQUISA OPERACIONAL
L x1 x2 xf1 xf2 b
1 -200 -500 0 0 0
0 20 30 1 0 120 120/30: 4
0 20 10 0 1 80 80/10: 8
A linha que apresentou o menor valor acima de zero como resultado da divisão é a
segunda (120/30 = 4) e está destacada na tabela e exposta na sequência:
0 20 30 1 0 120
6º passo: encontrar a nova linha pivô. Isso é possível dividindo todos os elementos da linha
pelo respectivo elemento pivô.
7º passo: encontrar a nova linha do lucro (primeira linha). Isso é possível multiplicando
todos os elementos da nova linha pivô pelo elemento pivô da primeira linha, com o sinal
invertido (500). Ao resultado dessa multiplicação soma-se a primeira linha, resultando na
nova linha do lucro.
8º passo: encontrar a nova terceira linha. Multiplicar todos os elementos da nova linha
pivô pelo elemento pivô da terceira linha, com o sinal invertido (-10). Ao resultado dessa
multiplicação soma-se a terceira linha, resultando na nova linha três.
+ Terceira Linha 0 20 10 0 1 80
45
EaD Martin Ledermann – N ivia Maria Kinalski
Reescrevendo a tabela:
L x1 x2 xf1 xf2 b
1 133,33 0 16,67 0 2.000
0 0,67 1 0,03 0 4
0 13,33 0 -0,33 1 40
Resultado:
L: R$ 2.000,00
x2 (quantidade de portões a produzir): 4
xf2 (quantidade de horas de mão de obra que sobrou): 40
x1 (quantidade de portas a produzir): 0
xf1 (quantidade de ferro que sobrou): 0
Interpretando o resultado:
• O valor do coeficiente da primeira linha que ficar logo abaixo de “b” é o valor do Lucro.
Para determinar o valor de uma variável é preciso verificar nas linhas que estão abaixo
da linha do lucro a existência do número “1”. Se este estiver acompanhado de 0 (zero) nas
demais linhas (no caso do exemplo, a linha 3), o resultado indica que desta variável deve ser
produzida alguma quantidade. No caso de x 2 devem ser produzidas 4 unidades, que é o valor
de “b”, que faz parte da mesma linha do número “1”. A mesma regra vale para as demais
variáveis que compõem o modelo.
46
EaD PESQUISA OPERACIONAL
Seção 2.3
Resultado:
L: R$ 32,00
x1 (quantidade de pizzas tamanho “G” a produzir): 4
xf1 (quantidade de horas de mão de obra que sobrou): 4
xf3 (demanda de pizzas “G ”não atendida): 16
xf4 (demanda de pizzas “GG” não atendida): 28
x2 (quantidade de pizzas “GG” a produzir): 0
xf2 (número de funcionários que sobrou): 0
Para identificar se uma solução apresentada é a melhor possível, devemos prestar aten-
ção no seguinte aspecto: na tabela, verificar os valores dos coeficientes das variáveis de
decisão (linha do lucro). Se estes valores forem maiores ou iguais a zero, significa que a
solução encontrada é a melhor possível. Por outro lado, se pelo menos uma dessas variáveis
de decisão apresentar coeficiente com valor negativo, a solução apresentada não é a melhor
possível, podendo ser melhorada.
Certa empresa fabrica dois produtos: P1 e P2. Para produzir uma unidade de P1 a
empresa utiliza 12 unidades de Recurso Produtivo 1 (R1) e 10 unidades de Recurso Produ-
tivo 2 (R2). Para produzir uma unidade de P2, a empresa utiliza 20 unidades de Recurso
47
EaD Martin Ledermann – N ivia Maria Kinalski
Variáveis de decisão:
X 1: quantidade de P1 a produzir
X 2: quantidade de P2 a produzir
Função Objetivo:
Restrições
Resolução:
L-200.x 1-210.x 2
48
EaD PESQUISA OPERACIONAL
Reescrevendo a tabela:
L x1 x2 xf1 xf2 B
1 -74 0 10,5 0 3.1500
0 0,6 1 0,05 0 150
0 1,6 0 -0,7 1 1.400
49
EaD Martin Ledermann – N ivia Maria Kinalski
Resultado:
L: R$ 31.500,00
x 1: 0
x 2: 150
xf1: 0
xf2: 1.400
Podemos afirmar que a solução apresentada não é a melhor possível, ou seja, que o
lucro máximo não é de R$ 31.500,00, mas como chegar a esta conclusão? Ao analisarmos a
primeira linha da tabela podemos perceber que o valor do coeficiente relacionado à variável
de decisão x 1 é negativo (-74) e essa situação indica que a solução apresentada pode ser
melhorada. Como proceder, no entanto, para chegar à melhor solução? A resposta é fácil: a
partir da solução encontrada, desenvolver o seguinte conjunto de etapas:
L x1 x2 xf1 xf2 B
1 -74 0 10,5 0 31.500
0 0,6 1 0,05 0 150
0 1,6 0 -0,7 1 1.400
2º passo: isolar a variável cujo coeficiente apresentou valor negativo. Se mais de uma
variável apresentar coeficiente com valor negativo, isolar a que possui o menor valor.
No exemplo usado, a variável que apresenta coeficiente com valor negativo x 1, que já se
encontra destacada na tabela.
50
EaD PESQUISA OPERACIONAL
Reescrevendo a tabela:
L x1 x2 xf1 xf2 B
1 0 123,33 16,67 0 50.000
0 1 1,67 0,08 0 250
0 0 -2,667 -0,833 1 1.000
Resultado:
L: R$ 50.000,00
x 1: 250
x 2: 0
xf1: 0
xf2: 1.000
Assim sendo, a empresa deve produzir 250 unidades de x 1 (P1), nenhuma unidade de x 2
(P2) tendo, dessa forma, um lucro máximo de R$ 50.000,00. Diante dessa situação foi utili-
zada toda a disponibilidade do recurso produtivo 1 (xf1), sobrando 1000 unidades do recurso
produtivo 2 (xf2). Veja que o lucro que antes era de R$ 31.500,00 agora passa a ser de R$
50.000,00.
51
EaD Martin Ledermann – N ivia Maria Kinalski
EXERCÍCIOS (LISTA 2)
1. Exercício 2
2. Exercício 3
3. Exercício 4
4. Exercício 6
5. Exercício 7
6. Variáveis de decisão:
Função Objetivo:
Restrições:
Demanda x 1: x 1 ≤ 700
Demanda x 2: x 2 ≤ 440
Demanda x 3: x 3 ≤ 300
7. Variáveis de decisão:
Função Objetivo:
Restrições:
Couro 2.x 1 + x 2 ≤ 4
Espuma 4.x 1 +
2.x 2 ≤ 4
Borracha 2.x 1 +
2.x 2 ≤ 5
52
EaD PESQUISA OPERACIONAL
8. Variáveis de decisão:
Função Objetivo:
Restrições:
R1 x 1 + x 2 + x 3 ≤ 100
R2 2.x 1 + x 2 ≤ 210
R3 x 1 ≤ 80
Seção 2.4
O Problema da Minimização
Variáveis de decisão
Função Objetivo
Restrições
53
EaD Martin Ledermann – N ivia Maria Kinalski
- C: – 10. x 1 – 15. x 2
R1 5. x 1 + 3. x 2 + xf1 = 60
R2 4. x 1 + 6. x 2 + xf2 = 50
C x1 x2 xf1 xf2 b
-1 -10 -15 0 0 0
0 5 3 1 0 60
0 4 6 0 1 50
4º passo: isolar a variável de decisão que apresenta o valor negativo mais distante de
zero .
C x1 x2 xf1 xf2 b
-1 -10 -15 0 0 0
0 5 3 1 0 60
0 4 6 0 1 50
Linha pivô 0 4 6 0 1 50
+ Segunda Linha 0 5 3 1 0 60
54
EaD PESQUISA OPERACIONAL
Reescrevendo a tabela:
C x1 x2 xf1 xf2 b
-1 0,05 0 0 2,55 124,95
0 2,99 0 1 -0.51 35
0 0,67 1 0 0,17 8,33
Resultado:
C: R$ 124,95
x 1: 0
x 2: 8,33
xf1: 35
xf2: 0
EXERCÍCIOS (LISTA 3)
1. Variáveis de decisão:
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
Função Objetivo:
Restrições:
R1 3.x 1 + 3.x 2 ≤ 4
R2 5. x 1 +
4. X2 ≤ 4
R3 8. x 1 +
7. X2 ≤ 14
2. Variáveis de decisão:
55
EaD Martin Ledermann – N ivia Maria Kinalski
Função Objetivo:
Restrições:
R1 2. x 1 + 2.x 2 + 2.x 3 ≤ 80
R3 x 1 ≤ 60
Seção 2.5
• A restrição é do tipo “³”: a variável de folga é subtraída e seu valor é negativo, quando se
anulam as variáveis de decisão.
Neste caso, segundo Silva et al. (2009), a cada uma das restrições do tipo = e =
acrescenta-se variáveis auxiliares a i com a formação de um novo modelo. A solução básica
inicial do novo modelo é formada pelas variáveis de folga das restrições do tipo = e pelas
variáveis auxiliares a i . Para explicar a resolução de problemas com esse tipo de situação,
utilizaremos o exemplo proposto por Silva et al. (2009).
Variáveis de decisão
56
EaD PESQUISA OPERACIONAL
Função Objetivo
Max L: x 1+ x 2 + x 3
Restrições
A pergunta que se faz é a seguinte: Como resolver problemas com restrições do tipo
“≥” e “=”? A seguir apresentaremos duas formas de resolver esse tipo de problema: o Método
do M Grande e o Método da Função Objetivo Auxiliar.
a) O Método do M Grande
R1: 2. x 1 + x 2 – x 3 + xf1 = 10
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -1 -1 -1 0 0 M2 M3 0
0 2 1 -1 1 0 0 0 10
0 1 1 2 0 -1 1 0 20
0 2 1 3 0 0 0 1 60
57
EaD Martin Ledermann – N ivia Maria Kinalski
1º passo: isolar a variável de decisão que apresenta o maior lucro unitário . Como nesse
caso todas as variáveis de decisão apresentam o mesmo lucro unitário, escolheremos uma
delas, de forma aleatória. Optaremos por x 3.
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -1 -1 -1 0 0 M2 M3 0
0 2 1 -1 1 0 0 0 10
0 1 1 2 0 -1 1 0 20
0 2 1 3 0 0 0 1 60
Linha pivô 0 1 1 2 0 -1 1 0 20
Dividindo por 2 =
+ Linha do lucro 1 -1 -1 -1 0 0 M2 M3 0
+ Segunda linha 0 2 1 -1 1 0 0 0 10
+ Quarta Linha 0 2 1 3 0 0 0 1 60
58
EaD PESQUISA OPERACIONAL
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -0,5 -0,5 0 0 -0,5 M2 M3 10
0 2,5 1,5 0 1 -0,5 0,5 0 20
0 0,5 0,5 1 0 -0,5 0,5 0 10
0 0,5 -0,5 0 0 1,5 -1,5 1 30
Resultado:
L: R$ 10,00
x1: 0
x2: 0
x 3: 10
xf1: 20
xf2: 0
a2: 0
a3: 30
Como podemos observar, esta solução não é a melhor possível, pois os coeficientes das
variáveis de decisão resultaram em valores negativos. Então, vamos à segunda solução.
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -0,5 -0,5 0 0 -0,5 M2 M3 10
59
EaD Martin Ledermann – N ivia Maria Kinalski
1 -0,33 -0,667 0 0 0 M2 M3 20
0,33
0 2,67 1,33 0 1 0 0 30
0,33
0 0,67 0,33 1 0 0 0 20
Resultado:
L: R$ 20,00 xf1: 30
x 1: 0 xf2: 20
x 2: 0 a 2: 0
x 3: 20 a 3: 0
60
EaD PESQUISA OPERACIONAL
L x1 x2 x3 xf1 xf2 b
1 -0,33 -0,667 0 0 0 20
0 2,67 1,33 0 1 0 30
0 0,67 0,33 1 0 0 20
0 0,33 -0,33 0 0 1 20
A partir desta nova tabela faz-se todo o procedimento necessário e já conhecido para
chegar ao lucro máximo e às quantidades que devem ser produzidas de x 1, x 2 e x 3, além das
sobras de recursos produtivos. A tabela com o resultado final é a seguinte:
L x1 x2 x3 xf1 xf2 b
1 1 0 0 0,5 0 35
0 2 1 0 0,75 0 22,5
0 0 0 1 -0,25 0 12,5
0 1 0 0 0,25 1 27,5
Resultado final:
L: R$ 35,00 xf1: 0
x 2: 22,5
x 3: 12,5
De acordo com Silva et al. (2009), como no método anterior, nas equações e nas
inequações do tipo ≥, acrescentamos as variáveis auxiliares, para compor com as folgas das
inequações do tipo ≤, a solução básica necessária para a aplicação do Simplex.
61
EaD Martin Ledermann – N ivia Maria Kinalski
ções auxiliares forem não básicas (a 1:0; a 2:0......) as variáveis e funções auxiliares podem ser
abandonadas. O novo objetivo será dado pela função objetivo original. Usaremos para ex-
plicar este novo método o exemplo desenvolvido no Método do M Grande.
Variáveis de decisão
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
x 3: Quantidade de P3 a produzir
Função Objetivo
Max L: x 1+ x 2 + x 3
Restrições
R1: 2. x 1 + x 2 – x 3 + xf1 = 10
R3: 2. x 1 + x 2 + 3.x 3 + a 3= 60
Função auxiliar W: a 2 + a 3
= W -3 -2 -5 1 -80
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -1 -1 -1 0 0 0 0 0
0 2 1 -1 1 0 0 0 10
0 1 1 2 0 -1 1 0 20
0 2 1 3 0 0 0 1 60
-1 -3 -2 -5 0 1 0 0 -80
-W
62
EaD PESQUISA OPERACIONAL
A partir desse momento o processo é o mesmo que conhecemos, até completar a tabela
com a resolução final.
1º passo: isolar a variável de decisão que apresenta o maior lucro unitário . Como nesse
caso todas as variáveis de decisão apresentam o mesmo lucro unitário, escolheremos uma
delas, de forma aleatória. Optaremos por x 3.
L x1 x2 x3 xf1 xf2 a2 a3 b
1 -1 -1 -1 0 0 0 0 0
0 2 1 -1 1 0 0 0 10
0 1 1 2 0 -1 1 0 20
0 2 1 3 0 0 0 1 60
-1 -3 -2 -5 0 1 0 0 -80
-W
3º passo: calcular a nova linha pivô.
Linha pivô 0 1 1 2 0 -1 1 0 20
Dividindo por 2 = Nova
linha pivô 0 0,5 0,5 1 0 -0,5 0,5 0 10
+ Linha do lucro 1 -1 -1 -1 0 0 0 0 0
+ Segunda linha 0 2 1 -1 1 0 0 0 10
63
EaD Martin Ledermann – N ivia Maria Kinalski
+ Quarta linha 0 2 1 3 0 0 0 1 60
L x1 x2 x3 xf1 xf2 a2 a3 b
Resultado:
L: R$ 10,00 xf1: 20
x1: 0 xf2: 0
x2: 0 a2: 0
x 3: 10 a3: 30
Como podemos perceber, a solução ainda não é a ideal. Para eliminarmos as variáveis
auxiliares, isolaremos xf2 e daremos continuidades ao exercício.
64
EaD PESQUISA OPERACIONAL
L x1 x2 x3 xf1 xf2 a2 a3 b
0
1 -0,5 -0,5 0 0 -0,5 0,5 10
0 2,5 1,5 0 1 -0,5 0,5 0 20
0 0,5 0,5 1 0 -0,5 0,5 0 10
0 0,5 -0,5 0 0 1,5 -1,5 1 30
-1 -0,5 0,5 0 0 -1,5 2,5 0 -30
-W
65
EaD Martin Ledermann – N ivia Maria Kinalski
L x1 x2 x3 xf1 xf2 a2 a3 b
-1 0 0 0 0 0 1 1 0
Resultado:
L: R$ 20,00 xf1: 30
x1: 0 xf2: 20
x2: 0 a2: 0
x 3: 20 a3: 0
66
EaD PESQUISA OPERACIONAL
L X1 x2 x3 xf1 xf2 b
1 -0,33 -0,667 0 0 0 20
0 2,67 1,33 0 1 0 30
0 0,67 0,33 1 0 0 20
0 0,33 -0,33 0 0 1 20
A partir dessa nova tabela faz-se todo o procedimento necessário e já conhecido para
chegar ao lucro máximo e às quantidades que devem ser produzidas de x 1, x 2 e x 3, além das
sobras de recursos produtivos. Observe que o resultado final é o mesmo obtido com o Méto-
do do M Grande. A tabela com o resultado final é a seguinte:
L x1 x2 x3 xf1 xf2 b
1 1 0 0 0,5 0 35
0 2 1 0 0,75 0 22,5
0 0 0 1 -0,25 0 12,5
0 1 0 0 0,25 1 27,5
Resultado final:
L: R$ 35,00 xf1: 0
x 1: 0 xf2: 27,5
x 2: 22,5
x 3: 12,5
EXERCÍCIOS (LISTA 4)
1. Resolva pelo Simplex, usando o Método do M Grande para obter a solução básica inicial.
Variáveis de decisão:
Função Objetivo:
67
EaD Martin Ledermann – N ivia Maria Kinalski
Restrições:
Lã x 1 + x 2 = 10
2. Resolva pelo Simplex, usando o Método da Função Objetiva Auxiliar para obter a solu-
ção básica inicial.
Variáveis de decisão:
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
Função Objetivo:
Restrições:
R1 2.x 1 + x 2 = 10
R2 x1 +
5.x 2 = 15
Seção 2.6
Esta técnica consiste em representar num sistema de eixos ortogonais o conjunto das
possíveis soluções do problema, isto é, o conjunto de pontos (x1, x2) que obedecem ao grupo
de restrições impostas pelo sistema em estudo. O desempenho do modelo é avaliado por
intermédio da representação gráfica da função objetivo. As soluções são classificadas de
acordo com sua posição no gráfico. A função objetivo também pode ser avaliada calculan-
do-se o seu valor para os pontos que pertencem ao contorno da região viável.
A representação gráfica de uma equação linear com duas variáveis (x1, x2) é uma reta.
A representação gráfica de uma inequação linear com duas variáveis (x1, x2) é uma área do
gráfico limitada pela reta correspondente à equação. Vejamos alguns exemplos.
68
EaD PESQUISA OPERACIONAL
Fazendo x1 = 0, teremos:
x2 = 10/2 (2 que estava multiplicando x2, passa para o outro lado dividindo – operação inversa).
Assim,
x2 = 5
Assim,
x1 = 10
A reta é então traçada, conforme o gráfico a seguir. Podemos observar que há uma
região sombreada no gráfico, que corresponde à região viável (região de soluções) limitada
pela inequação x1 + 2x2 > 10. A região viável, então, é aquela que se encontra na região
superior da reta, pois a inequação define que x1 + 2x2 deve ser maior ou igual a 10. No
próximo item vamos verificar esta constatação.
69
EaD Martin Ledermann – N ivia Maria Kinalski
Tomamos um ponto qualquer de uma das regiões limitadas pela reta. Consideremos o
ponto x1 = 10 e x2 = 5 (conforme mostrado no gráfico anterior).
10 + 2.5 > 10 ou 20 > 10, o que é verdadeiro. Assim sendo, a região das soluções da
inequação é aquela que contém o ponto testado.
Vamos ainda testar um ponto que não esteja na região sombreada, como o ponto de
origem, ou seja, x1 = 0 e x2 = 0.
0 + 2.0 > 10 ou 0 > 10, o que NÃO é verdadeiro. Dessa forma, este ponto e os outros
que se encontram abaixo da reta não pertencem à região das soluções.
x1 + 3x2 < 12
2x1 + x2 > 16
x1 > 0
x2 > 0
Solução:
Assim, os pontos que utilizamos para traçar esta reta são: (0, 4) e (12, 0). A região
viável limitada por esta reta é aquela que está abaixo da reta, conforme o gráfico a seguir,
pois a inequação define que x1 + 3x2 deve ser menor ou igual a 12.
Os pontos que utilizamos para traçar esta reta são: (0, 16) e (8, 0). A região viável
limitada por esta reta é aquela que está acima da reta, conforme o gráfico a seguir, pois a
inequação define que 2x1 + x2 deve ser maior ou igual a 16.
70
EaD PESQUISA OPERACIONAL
Vamos testar para cada reta qual a região que corresponde à solução da inequação.
Para isso escolhemos um ponto fora das retas, por exemplo, o ponto (8, 16).
A região de soluções aparece sombreada no gráfico. Esta é a região que contém todas
as possíveis soluções para o sistema e onde todas as restrições são respeitadas. Para en-
contrarmos a solução de um problema de programação linear com duas variáveis de decisão
mediante o método gráfico, podemos adotar os seguintes passos:
2) determinar a região viável (região onde se encontram todas as possíveis soluções para o
problema em questão);
4) calcular o valor da função objetivo para cada um dos pontos da região viável;
5) a partir dos cálculos realizados para Z, determinar o ponto que corresponde à otimização
pretendida (maximizar ou minimizar) e então determinar o ponto ótimo.
71
EaD Martin Ledermann – N ivia Maria Kinalski
EXERCÍCIOS (LISTA 5)
1. Exercício 1 (lista 1)
2. Exercício 2 (lista 1)
3. Exercício 7 (lista 2)
Seção 2.7
Para definir o problema na planilha devemos definir células para representar as variá-
veis de decisão e uma célula para representar o valor da função objetivo. Além disso, as
restrições também devem ser definidas. Abra um novo arquivo no Microsoft Excel e siga os
seguintes passos:
72
EaD PESQUISA OPERACIONAL
Serão definidas agora as restrições do problema: as células de restrição devem ser pre-
enchidas da seguinte forma:
73
EaD Martin Ledermann – N ivia Maria Kinalski
• Na caixa “Definir célula de destino”, selecione a célula da função objetivo (B4) clicando
sobre ela, ou simplesmente digite B4.
• Logo abaixo é requerido que se escolha entre três opções: Máx, para maximizar a função
objetivo; Mín, para minimizar a função objetivo, e Valor, que faz com que a função obje-
tivo tenha determinado valor. No nosso exemplo, como queremos maximizar a função
objetivo, escolheremos a opção Máx.
• Na caixa “Células variáveis”, devem ser inseridas as células ajustáveis, que contêm os
valores das variáveis de decisão. Deve-se inserir um nome ou uma referência para cada
célula ajustável, separando as células não adjacentes por ponto e vírgula. As células ajus-
táveis devem estar relacionadas direta ou indiretamente à célula que contém o valor da
função objetivo. Podem ser especificadas até 200 células ajustáveis. Para que o Solver
proponha automaticamente as células ajustáveis com base na célula de destino, clique
em Estimar.
• Na caixa Submeter às restrições devem ser inseridas as restrições do problema. Para inserir
uma restrição, siga os seguintes passos:
74
EaD PESQUISA OPERACIONAL
• Na caixa de seleção, escolha a opção que corresponde ao tipo de restrição, que pode ser
menor ou igual (<=), maior ou igual (>=), igual (=), valor inteiro (núm) ou valor binário
(bin). No nosso caso a opção a ser escolhida é <=;
• Na caixa “Restrição”, defina a célula que contém o valor limite da restrição, ou seja, D6;
• Após serem adicionadas as restrições, a janela deve estar igual à janela da Figura 2, exceto
talvez pela presença dos cifrões ($), que indicam que a célula é fixa.
75
EaD Martin Ledermann – N ivia Maria Kinalski
Para resolver o problema, clique no botão “Resolver ”. Se tudo estiver correto, a janela
da Figura 4 será apresentada. Nesta janela podemos escolher entre manter a solução en-
contrada pelo Solver ou restaurar os valores originais. Também podemos selecionar relatóri-
os, que contêm informações sobre o processo de solução do problema.
b) Instalando o Solver
Caso a opção Solver não esteja presente no menu Ferramentas, é porque a ferramenta
Solver não foi instalada. Para instalá-la, proceda da seguinte maneira:
76
EaD PESQUISA OPERACIONAL
Seção 2.8
Análise de Sensibilidade
Esta seção tem como propósito abordar a Análise de Sensibilidade. O que é, porém,
Análise de Sensibilidade? Análise de Sensibilidade relaciona-se aos impactos de uma toma-
da de decisão. Vejamos o exemplo a seguir.
Variáveis de decisão:
Função Objetivo:
Restrições:
Demanda x1 x1 ≤ 20
Demanda x2 x2 ≤ 28
77
EaD Martin Ledermann – N ivia Maria Kinalski
x 1 = 4 – 0,5
Novo x 1 = 3,5
∆x 1= – 0,5
xf1 = 4 – 2
Novo xf1 = 2
∆ xf1= – 2
xf3 = 16 + 0,5
∆ xf3 = 0,5
78
EaD PESQUISA OPERACIONAL
xf4 = 28 – 1
Novo xf4 = 27
∆ xf4 = -1
Novo L: R$ 30,00
∆ L = R$ -2,00
EXERCÍCIOS (LISTA 6)
1) Variáveis de decisão:
79
EaD Martin Ledermann – N ivia Maria Kinalski
Função Objetivo:
Restrições
L x1 x2 xf1 xf2 b
1 100 0 40 0 600
0 1,67 1 0,33 0 5
0 -0,67 0 -1,33 1 4
2) Variáveis de decisão:
Função Objetivo:
Restrições:
Demanda: x1 ≤ 120
Demanda: x 2 = 90
3) Variáveis de decisão:
80
EaD PESQUISA OPERACIONAL
Função Objetivo:
Restrições:
L x1 x2 xf1 xf2 b
1 0 0 0 0,03 300
0 0 -375 1 -2,25 7500
0 1 0,75 0 0,0025 25
4) Variáveis de decisão:
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
x 3: Quantidade de P3 a produzir
Função Objetivo:
Restrições:
5) Variáveis de decisão:
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
81
EaD Martin Ledermann – N ivia Maria Kinalski
Função Objetivo:
Restrições:
Carne: 2.x 1 + x 2 ≤ 14
Molhos: 2.x 1 + 3. x 2 ≤ 24
L x1 x2 xf1 xf2 b
1 0 1,5 4,5 0 63
0 1 0,5 0,5 0 7
0 0 2 -1 1 10
Seção 2.9
Dualidade
Exemplo:
Variáveis de decisão:
Função Objetivo:
Restrições
82
EaD PESQUISA OPERACIONAL
L x1 x2 xf1 xf2 b
1 133,33 0 16,66 0 2.000
0 0,67 1 0,03 0 4
0 13,33 0 -0,33 1 40
Portas: 20.y1 (para produzir 1 porta são necessários 20 Kg de ferro) + 20.y2 (para pro-
duzir 1 porta são necessários 20 horas de mão de obra) ≥ (maior ou igual) 200 (lucro unitá-
rio de cada porta), ou seja, 20.y1 + 20.y2 ≥ 200
Portões: 30.y1 (para produzir 1 portão são necessários 30 Kg de ferro) + 10.y2 (para
produzir 1 porta são necessários 20 horas de mão de obra) ≥ (maior ou igual) 500 (lucro
unitário de cada portão), ou seja, 30.y1 + 10.y2 ≥ 500.
2º passo: acrescentar uma variável de folga em cada restrição e igualar o sinal. Em caso de
sinal = (maior ou igual), a variável de folga é negativa.
83
EaD Martin Ledermann – N ivia Maria Kinalski
D y1 y2 yf1 yf2 C
-1 0 40 0 4 -2000
0 1 133,33
1 0 16,66
Seção 2.10
O valor de y2 (0) foi obtido do coeficiente xf2, e representa, portanto, o valor de oportu-
nidade do recurso R2. O resultado é coerente, uma vez que o recurso R2 não é escasso (xf2
= 40).
Na função objetivo dual cada parcela mede, então, o valor de oportunidade dos recur-
sos envolvidos na produção. A função objetivo dual mede, portanto, a capacidade de o
estoque de recursos produtivos gerarem lucro. Na resolução ótima, este valor coincide com
o lucro atribuído aos produtos pelo mercado, isto é, o valor de oportunidade dos produtos
no mercado (Silva et al., 2009).
Cada uma das restrições compara o valor de oportunidade atribuída aos produtos pe-
los recursos, com o valor de oportunidade atribuído aos produtos pelo mercado. Para verifi-
car como isso acontece, vamos usar a segunda equação do modelo dual:
84
EaD PESQUISA OPERACIONAL
30.y1 + 10.y2 ≥ 500, está indicando que o Produto 2 usa 30 unidades do recurso produ-
tivo 1 e 10 unidades do recurso produtivo 2. O lado esquerdo (500) indica o valor de oportu-
nidade atribuído pelo mercado. Este valor também é chamado de valor externo, em
contrapartida ao valor atribuído pelos recursos, chamado valor interno.
Substituindo 30.16,66 (y1) + 10.0 (y2) = 500. O resultado dessa multiplicação é o se-
guinte: 499,8 = 500. O valor interno, portanto, é menor do que o valor externo e o produto
1 deve ser produzido.
EXERCÍCIOS (LISTA 7)
A partir das situações a seguir, monte o modelo e a tabela Dual correspondente e faça
a análise do resultado:
1) Variáveis de decisão:
Função Objetivo:
Restrições
85
EaD Martin Ledermann – N ivia Maria Kinalski
L x1 x2 xf1 xf2 b
1 100 0 40 0 600
0 1,67 1 0,33 0 5
0 -0,67 0 -1,33 1 4
2) Variáveis de decisão:
Função Objetivo:
Restrições:
L x1 x2 xf1 xf2 b
1 0 0 0 0,03 300
0 0 -375 1 -2,25 7500
0 1 0,75 0 0,0025 25
3) Variáveis de decisão:
x 1: Quantidade de P1 a produzir
Função Objetivo:
Restrições:
86
EaD PESQUISA OPERACIONAL
4) Variáveis de decisão:
x 1: Quantidade de P1 a produzir
x 2: Quantidade de P2 a produzir
Função Objetivo:
Restrições:
Carne: 2.x 1 + x 2 ≤ 14
Molhos: 2.x 1 + 3. x 2 ≤ 24
L x1 x2 xf1 xf2 b
1 0 1,5 4,5 0 63
0 1 0,5 0,5 0 7
0 0 2 -1 1 10
Seção 2.11
Análise Econômica
A análise econômica baseia-se nos coeficientes das variáveis e na função objetivo fi-
nal. De acordo com Silva et al. (2009), é preciso lembrar que:
• Os valores das variáveis básicas estão na coluna b, enquanto que os valores das variáveis
não básicas é zero.
87
EaD Martin Ledermann – N ivia Maria Kinalski
• Os coeficientes das variáveis não básicas na função objetivo indicam variação proporcio-
nal no objetivo para pequenos aumentos ou diminuições na variável.
• Na tabela final, a solução é ótima. Um aumento de zero para 1 na variável não básica
prejudica o objetivo (lucros diminuem).
Vamos a um exemplo:
Variáveis de decisão:
Função Objetivo:
Restrições:
R1 x 1 + x 2 + x 3 ≤ 100
R2 2. x 1 + x 2 ≤ 210
R3 x 1 ≤ 80
Variáveis de folga:
Solução:
88
EaD PESQUISA OPERACIONAL
• A cada unidade de P1 produzida (a tabela mostra que não é a melhor alternativa), perde-
se R$ 2,00 no lucro, pois parte dos Recursos Produtivos direcionados a produzir P3 serão
usados para produzir P1, diminuindo a quantidade de P3 a ser produzida.
• A cada unidade de P2 produzida (a tabela mostra que não é a melhor alternativa), perde-
se R$ 1,00 no lucro, pois parte dos Recursos Produtivos direcionados a produzir P3 serão
usados para produzir P2, diminuindo a quantidade de P3 a ser fabricada.
SÍNTESE DA UNIDADE 2
Nesta Unidade abordamos alguns elementos considerados funda-
mentais para as empresas que se utilizam das ferramentas de Pes-
quisa Operacional. Começamos versando sobre a formação de
modelos em Programação Linear. Modelos que são a base, ou seja,
o início da resolução de problemas e do processo decisório. Abor-
damos também o Método Simplex, que somente pode ser utilizado
após o desenvolvimento dos modelos matemáticos. Por meio do
Método Simplex também mostramos como se pode chegar à me-
lhor solução possível para determinada situação. O Método Simplex
enquanto ferramenta considera as restrições impostas pelo siste-
ma que se revelam nos modelos matemáticos. Essa ferramenta pode
ser utilizada tanto em casos de maximização quanto em casos de
minimização.
89
EaD Martin Ledermann – N ivia Maria Kinalski
90
EaD PESQUISA OPERACIONAL
Unidade 3
PROBLEMA DO TRANSPORTE
AS SEÇÕES DA UNIDADE
Para que isso aconteça, três elementos devem ser considerados: as disponibilidades ou
capacidade produtiva de cada origem; necessidades ou demanda de cada destino e o custo
unitário de transporte dos produtos de cada origem para cada destino. A Figura 1 expressa
de forma resumida essas afirmações.
91
EaD Martin Ledermann – N ivia Maria Kinalski
120 C11 = 25
Fábrica Panambi
Ijuí 150
C12 = 75
C22 = 65
Três 120
Fábrica Passos
150
Ajuricaba C21 = 30
Por outro lado, o custo unitário de transporte da origem 1 para o destino 1 (c 11) é de R$
25,00. Já o custo unitário de transporte da origem 1 para o destino 2 (c 12) é de R$ 12,00.
Além disso, o custo unitário de transporte do destino 2 para a origem 1(c 21) é de R$ 30,00 e
o custo unitário de transporte do destino 2 para o origem 2 (c 22) é de R$ 65,00. Estas infor-
mações também são expostas no quadro a seguir.
92
EaD PESQUISA OPERACIONAL
Seção 3.1
93
EaD Martin Ledermann – N ivia Maria Kinalski
Minimizar Custos: 25.x 11 + 75. x 12 + 30. x 21 + 65. x 22, em que o mínimo custo é a soma
das multiplicações dos custos unitários pelas variáveis de decisão.
Restrições de demanda:
Demanda do município de Panambi: x11 + x 21 = 150. Isso quer dizer que a quantidade a
ser transportada de Ijuí a Panambi, somada à quantidade a ser transportada de Ajuricaba a
Panambi deve ser de 150 unidades, pois esta é a demanda do município de Panambi.
94
EaD PESQUISA OPERACIONAL
Seção 3.2
Demanda 70
18 42 25 85
Criando-se uma origem auxiliar para receber a diferença (85 – 70 = 15), teremos o
sistema equilibrado:
Origens Destinos Disponibilidades/
D1 D2 D3 Capacidade Produtiva
x11
F1 12 10 x12 16 x13 20
A 0 0 0 15
Demanda
85
18 42 25 85
95
EaD Martin Ledermann – N ivia Maria Kinalski
Seção 3.3
Problemas de Transporte podem ser resolvidos de várias maneiras, contudo três méto-
dos se destacam: o Método do Custo Mínimo, o Método do Canto Noroeste e o Método de
Vogel.
Restrições de demanda:
96
EaD PESQUISA OPERACIONAL
Após construir o modelo, o próximo passo é elaborar novamente a tabela, sem os cus-
tos de transporte, e preenchê-la da seguinte forma:
• Verificar a variável que apresenta o segundo menor custo. Nesse caso, a variável que
apresenta o segundo menor custo unitário de transporte é x 21, com um custo de R$
30,00. Atribuiremos a esta variável a quantidade de 30 unidades, pois a demanda do
mercado de Panambi é de 150 unidades, valor este que é resultado da soma da quanti-
dade que deve ser transportada da fábrica de Ijuí para Panambi e da fábrica de Ajuricaba
para Panambi.
• Verificar a variável que apresenta o terceiro menor custo. Nesse caso, a variável que apre-
senta o terceiro menor custo é x 12, com um custo unitário de transporte de R$ 65,00. Não
podemos, contudo, atribuir quantidade a essa variável, pois a capacidade produtiva da
fábrica de Ijuí é de 120 unidades. Se transportarmos qualquer quantidade da fábrica de
Ijuí para o mercado de Três Passos, estaremos extrapolando a capacidade produtiva da
fábrica de Ijuí.
• Por fim, resta-nos imputar quantidade à x 22, que é a quantidade a ser transportada da
fábrica de Ajuricaba para o mercado de Três Passos. Para atender à capacidade produtiva
da fábrica de Ajuricaba, que é de 150 unidades, e a demanda do mercado de Três Passos,
que é de 120 unidades, atribuiremos à x 22 o valor de 120.
97
EaD Martin Ledermann – N ivia Maria Kinalski
O resultado também nos permite determinar o custo total de transporte dessa situa-
ção. Para tanto, basta reescrever a função objetivo, acrescentando os valores das variáveis
encontrados e multiplicando-os pelos respectivos custos unitários de transporte. A soma de
tais multiplicações é o custo total de transporte.
Resultado final:
x 11: 120
x 12: 0
x 21: 30
x 22: 120
O segundo método a ser abordado é chamado por Silva et al. (2009) de Método do
Canto Noroeste. Esse método consiste na maior atribuição possível de quantidade à x 11.
Vamos ao exemplo descrito no quadro exposto na sequência:
D em an d a 8 32 15 55
98
EaD PESQUISA OPERACIONAL
Restrições de demanda:
Demanda do D1: x 11 + x 21 + x 31 + x 41 = 8
Demanda do D2: x 12 + x 22 + x 32 + x 42 = 32
Demanda do D3: x 13 + x 23 + x 33 + x 43 = 15
99
EaD Martin Ledermann – N ivia Maria Kinalski
Após construir o modelo a próxima etapa é elaborar a tabela apenas com as disponibi-
lidades de cada fábrica e as demandas de cada mercado, e preenchê-la considerando o se-
guinte:
• Transportar a maior quantidade possível da F1 para o D1, ou seja, atribuir a maior quan-
tidade possível de produtos à x 11. Nesse caso, a maior quantidade possível é 8 unidades,
pois esta é a demanda de D1.
• O próximo transporte será feito na variável de decisão contígua (à direita ou abaixo), que
tenha disponibilidade de linha ou coluna correspondente. No caso desse exercício, deve-
mos transportar 2 unidades de F1 para D2 (x 12).
• Os demais transportes também são feitos de forma contígua, sempre respeitando as de-
mandas dos destinos e as capacidades produtivas/disponibilidades de cada origem.
A tabela com o resultado final é apresentada na sequência. Observe que assim como
no Método do Custo Mínimo, o resultado apresentado pelo Método do Canto Noroeste
também possibilita atender à demanda existente de cada mercado, além de considerar a
capacidade produtiva de cada origem. Se substituirmos os valores determinados para as
variáveis em cada equação das restrições que definimos anteriormente, confirmaremos tal
afirmação.
x31 x33
Fábrica 3 F3) 10 x32 2 12
x41 x42 x43
Fábrica 4 F4) 13 13
Demanda 8 32 15 55
100
EaD PESQUISA OPERACIONAL
Resultado final:
x11: 8 x31: 0
x12: 2 x32: 10
x13: 0 x33: 2
x21: 0 x41: 0
x22: 20 x42: 0
x23: 0 x43: 13
c) O Método de Vogel
O Método de Vogel é também chamado de método das penalidades. Para Silva et al.
(2009), penalidade em uma linha ou coluna é a diferença positiva entre os dois custos de
menor valor na linha ou coluna. O objetivo desse método é fazer o transporte com priorida-
de na linha ou coluna que apresenta a maior penalidade. O propósito é evitar o transporte
na célula de maior custo. Vejamos um exemplo prático desse método.
(D3)
x11 x12 x13
Porto Alegre 12 9 8 10
(F1)
Demanda 8 30 17 55
101
EaD Martin Ledermann – N ivia Maria Kinalski
Como já foi explicado nos dois modelos anteriores, o primeiro passo é a construção do
modelo matemático:
Restrições de demanda:
Demanda do D1: x 11 + x 21 + x 31 + x 41 = 8
Demanda do D2: x 12 + x 22 + x 32 + x 42 = 30
Demanda do D3: x 13 + x 23 + x 33 + x 43 = 17
102
EaD PESQUISA OPERACIONAL
Primeiro passo: calcular a penalidade para cada linha e cada coluna. Como foi descrito
anteriormente, penalidade é a diferença entre os dois menores custos de cada linha ou colu-
na. Escolha a linha ou coluna com maior penalidade. Caso haja empate, escolha a linha ou
coluna que tiver o menor custo unitário de transporte.
Segundo passo: transportar o máximo possível na linha ou coluna escolhida, elegendo a célula de
menor custo unitário de transporte. Esse procedimento zera a oferta ou demanda da célula corres-
pondente. A linha ou coluna que tenha sua disponibilidade zerada deve ser eliminada.
Terceiro passo: retornar ao primeiro passo até que todos os transportes tenham sido realiza-
dos. Vamos à resolução do exemplo:
a) Primeiro transporte
103
EaD Martin Ledermann – N ivia Maria Kinalski
Maior penalidade
O primeiro transporte deverá ser feito na segunda coluna, que apresentou a maior
penalidade (7). O menor custo da segunda coluna é de R$ 2,00 e corresponde à x 42, ou seja,
à quantidade a ser transportada de Pelotas para Curitiba. Nesta célula atribuiremos a maior
quantidade possível de produtos a serem transportados, que é de 15 unidades. Essa quanti-
dade deve-se ao fato de que a capacidade produtiva da fábrica 4 ser de apenas 15 unidades.
Se colocássemos uma quantia superior, extrapolaríamos a capacidade de oferta. A resolu-
ção do primeiro transporte fica da seguinte forma:
DEMANDA 8 30 15 17 55
b) Segundo transporte
104
EaD PESQUISA OPERACIONAL
Observe agora que a maior penalidade está na segunda linha (6). Considerando que o
menor custo da segunda linha está em x 23 (quantidade a ser transportada de F2 para Rio de
Janeiro), é nesta variável que colocaremos a maior quantidade.
105
EaD Martin Ledermann – N ivia Maria Kinalski
c) Terceiro transporte
Observe agora que a maior penalidade está na primeira linha, cujo valor é de 5.
Considerando que o menor custo da segunda linha está em x 31 (quantidade a ser transporta-
da de F3 para Florianópolis), é nesta variável que colocaremos a maior quantidade.
106
EaD PESQUISA OPERACIONAL
d) Demais transportes
Santos (F2)
x21 x22 x23
13 12 6 20
São Carlos
(F3) x31 x32 x33
7 9 5 10
Pelotas (F4)
x41 x42 x43
3 2 8 15
Demanda
8 30 17 55
107
EaD Martin Ledermann – N ivia Maria Kinalski
Para executar o restante dos transportes necessários, basta completar a tabela, atribu-
indo 10 unidades para x 12, 3 unidades para x 22 e 2 unidades para x 32. O quadro com o resul-
tado final está exposto a seguir.
O resultado nos permite determinar o custo total de transporte dessa situação. Para
tanto, como visto na explicação dos demais métodos de resolução de Problemas de Trans-
porte, basta reescrever a função objetivo, acrescentando os valores das variáveis encontra-
dos e multiplicando-os pelos respectivos custos unitários de transporte. A soma de tais mul-
tiplicações é o custo total de transporte.
Custo de Transporte: 12.0 + 9.10 + 8.0 + 13.0 + 12.3 + 6.17 + 7.8 + 9.2 + 5.0 + 3.0 + 2.15 + 8.0
Resultado:
x11: 0 x31: 8
x12: 10 x32: 2
x13: 0 x33: 0
x21: 0 x41: 0
x22: 3 x42: 15
x23:17 x43: 0
108
EaD PESQUISA OPERACIONAL
Seção 3.4
109
EaD Martin Ledermann – N ivia Maria Kinalski
Restrições de demanda:
Demanda do D1: x 11 + x 21 + x 31 = 4
Demanda do D2: x 12 + x 22 + x 32 = 8
Demanda do D3: x 13 + x 23 + x 33 = 3
Demanda do D4: x 14 + x 24 + x 34 = 6
Resultado:
x11: 0 x23: 0
x12: 5 x24: 4
x13: 3 x31: 4
110
EaD PESQUISA OPERACIONAL
x14: 0 x32: 3
x21: 0 x33: 0
x22:0 x34: 2
x12 x11
x13 x14
x24 x21
x31 x22
x32 x23
x34 x33
A última fase é a aplicação do critério de otimalidade. Por meio desse critério podemos
identificar se a solução inicial encontrada pode ou não ser melhorada. Para isso acontecer,
basta isolar as variáveis básicas e as variáveis não básicas e seguir os seguintes procedimen-
tos, em que C ij refere-se ao custo de transporte, Ui refere-se à linha e Vj refere-se à coluna.
x12 C 12 – U1 – V2 3 – 0 – V2 V2=3
x13 C 13 – U1 – V3 1 – 0 – V3 V3=1
x24 C 24 – U2 – V4 2 – U2 – 9 U 2= -7
x32 C 32 – U3 – V2 2 – U3 – 3 U 3= -1
É importante salientar que o valor de U1 sempre será “0” (zero). Na sequência faremos
o mesmo procedimento, só que desta vez com as variáveis não básicas. Para tanto, na subs-
tituição utilizaremos os valores dos coeficientes já conhecidos.
111
EaD Martin Ledermann – N ivia Maria Kinalski
x11 C 11 – U1 – V1 5 – 0 – 4= 1
x14 C 14 – U1 – V4 10 – 0 – 9 = 1
x21 C 21 – U2 – V1 5 – (-7) – 4 = 8
x22 C 22 – U2 – V2 7 – (-7) – 3 = 11
x23 C 23 – U2 – V3 3 – (-7) – 1 = 9
x33 C 33 – U3 – V3 1 – (-1) – 1 = 1
Vamos agora ao segundo exemplo, que será resolvido pelo Método do Canto Noroeste.
112
EaD PESQUISA OPERACIONAL
Restrições de demanda:
113
EaD Martin Ledermann – N ivia Maria Kinalski
Resultado:
x12: 50 x24: 50
x13: 0 x31: 0
x14: 0 x32: 0
x21: 0 x33: 0
x11 x13
x12 x14
x22 x21
x23 x31
x24 x32
x34 x33
Teste da Otimalidade:
x23 C23 – U2 – V3 4 – 0 – V3 V 3 = 4
114
EaD PESQUISA OPERACIONAL
Observe agora que ao substituirmos os valores, x33, que se refere à quantidade que
deve ser transportada de Santa Rosa a São Paulo apresentou valor negativo. Quando
isso acontece significa que a solução encontrada não é a melhor possível e pode ser
melhorada. Então, x11=150; x12=50; x22=150; x23=100; x24=50 e x34=250, com um Custo
Total de Transporte de R$ 1.250,00, não é a melhor solução. Como proceder, então, para
encontrar a solução ótima? Antes da resposta a esta pergunta é preciso fazer a seguinte
observação:
Observação: quando uma variável não básica apresentar valor negativo, significa que
teremos de transportar determinada quantidade do destino à origem a que a mesma se refe-
re. Quando duas ou mais variáveis não básicas apresentarem valores negativos, destacare-
mos aquela que apresentar o maior valor negativo. No exemplo usado temos apenas x 33 com
valor negativo.
Agora vamos à resposta para encontrar a solução ótima. Primeiramente devemos reto-
mar a primeira solução, destacando a variável não básica que será transformada em variável
básica.
Demanda
150 200 100 300
115
EaD Martin Ledermann – N ivia Maria Kinalski
Após essa etapa devemos estabelecer o que Silva et al. (2009) chamam de circuito de
compensação. Por circuito de compensação entende-se um conjunto de 3 variáveis básicas
e 1 variável não básica. A variável não básica que compõem o circuito é aquela que deverá
ser transformada em variável básica ou, sendo mais claro, aquela que passará a apresentar
a quantidade a ser transportada. No caso do exemplo usado, é x 33. Quais são, contudo, os
demais elementos que compõem o circuito?
116
EaD PESQUISA OPERACIONAL
Resultado:
x13: 0 x31: 0
x14: 0 x32: 0
Verifique que, com esta nova solução, o custo de transporte foi reduzido em R$ 100,00,
pois na primeira solução tínhamos um custo de R$ 1.250,00. Apesar dessa sensível redução,
contudo, é preciso testar a nova solução para verificar se esta é a melhor possível. O proce-
dimento é o mesmo já adotado. A diferença é que na solução anterior, x 33 era variável não
básica e agora passa a ser variável básica. Já x 23, que antes era variável básica, agora passa
a ser variável não básica.
117
EaD Martin Ledermann – N ivia Maria Kinalski
Como é possível perceber, nenhuma variável não básica teve valor negativo, o que leva
à conclusão de que a segunda solução é a melhor possível.
EXERCÍCIOS (LISTA 8)
Exercício 1.1
Exercício 1.2
Demanda 50 40 60 150
Exercício 1.3
Demanda 10 20 30 60
118
EaD PESQUISA OPERACIONAL
Exercício 1.4
200
x31 x32 x33
Bozano 15 12 15
520
DEMANDA 200 200 120
Exercício 2.1
Demanda 40 40 40 120
Exercício 2.2
Demanda 15 20 30 35 100
119
EaD Martin Ledermann – N ivia Maria Kinalski
Exercício 2.3
Demanda 8 6 6 20
Exercício 2.4
Demanda 8 25 20 53
SÍNTESE DA UNIDADE 3
N esta Uni dade e studam os o que chamam os e m Pe squisa
Operacional de Problemas de Transporte. Certamente para mui-
tos, principalmente para aqueles que trabalham com logística, esse
assunto não é desconhecido. Os estudos sobre Problemas de Trans-
porte auxiliam na delimitação da quantidade de produtos que de-
vem ser transportados de suas origens para seus destinos, com o
menor custo possível. Para atender a esse pressuposto, apresenta-
mos três métodos que ajudam a alcançar tal objetivo: Método do
Custo Mínimo, Método do Canto Noroeste e Método de Vogel.
Além disso, descrevemos os procedimentos adotados para encon-
trar a melhor solução de transporte possível.
120
EaD PESQUISA OPERACIONAL
Unidade 4
Seção 4.1
A teoria das filas é um método analítico que aborda o assunto por meio de fórmulas
matemáticas. A abordagem matemática de filas teve início no princípio do século 20 (1908)
em Copenhague, Dinamarca, com A. K. Erlang, considerado o pai da Teoria das Filas, quan-
121
EaD Martin Ledermann – N ivia Maria Kinalski
do trabalhava em uma companhia telefônica. Foi somente a partir da Segunda Guerra Mun-
dial que a teoria foi aplicada a outros problemas de filas. Apesar do enorme progresso alcan-
çado pela teoria, inúmeros problemas não são adequadamente resolvidos por causa de com-
plexidades matemáticas (Prado, 2004).
A teoria das filas envolve o estudo matemático das filas ou linhas de espera. A forma-
ção de filas excede a capacidade de fornecer o serviço. Os modelos matemáticos tornam-se
complexos porque normalmente utilizam ferramentas que envolvem um tratamento estatís-
tico ou estocástico. Fornecer uma capacidade excessiva de atendimento gera ociosidade;
proporcionar um atendimento deficitário gera insatisfação, perda de clientes, perda de pro-
dução; tudo isto leva a uma relação muito forte entre as condições de um sistema de filas e
a minimização dos custos no atendimento do mesmo.
e) Na manutenção de máquinas.
f) Em qualquer sistema em que seja provável a formação de filas para determinado atendi-
mento.
A figura a seguir ilustra os elementos que compõem uma fila. Nela pode-se observar
que de certa população surgem clientes que formam fila e que aguardam por certo tipo de
serviço . O termo cliente é empregado de uma forma genérica e pode designar tanto uma
pessoa, um navio ou um lingote, por exemplo. O atendimento é constituído de um ou mais
servidores (que podem ser chamados de atendentes ou canais de serviço ) e tanto pode
designar um barbeiro, um vendedor ou uma máquina, entre outras denominações.
122
EaD PESQUISA OPERACIONAL
Sistemas de filas
População
De
clientes Mecanismo de
Clientes atendimento Cliente
chegando Fila saindo
Observações:
Seção 4.2
123
EaD Martin Ledermann – N ivia Maria Kinalski
Não basta fornecer valores médios, é necessário também mostrar como os valores se
distribuem em torno da média, i.e., qual distribuição de probabilidades rege o processo. Um
tipo raro de processo de chegada é o regular, ou seja, aquele em que não existe nenhuma
variação entre valores para os intervalos de chegada. Esta situação ocorre apenas em pro-
cessos altamente automatizados.
µ = Ritmo de atendimento
TA = Tempo de Atendimento
Disciplinas das filas: Trata-se de uma regra que define qual o próximo a ser atendido
e o comum é que o primeiro da fila seja atendido primeiro, ou, de uma maneira mais ampla,
“o primeiro a chegar é o primeiro a ser atendido” (em inglês, diz-se Fifo : First in, first out).
Outras disciplinas podem existir, tais como “último a chegar, primeiro a ser atendido” (em
inglês diz-se Lifo: Last in, first out), serviço por ordem de prioridade, serviço randômico (aten-
dimento aleatório), etc. Assim, uma característica do cliente pode definir sua prioridade de
atendimento.
Tamanho médio e máximo da fila (TF): Quando os clientes devem esperar, alguma
área de espera precisa existir (por exemplo: as cadeiras de uma barbearia). O Tamanho Mé-
dio da Fila representa o número de clientes que esperam para ser atendidos; ou média de
tempo que permanecem nas filas.
Observa-se que os diversos sistemas existentes são dimensionados para uma certa
quantidade máxima de clientes em espera (Tamanho Máximo de Fila) e que se um novo
cliente que chega ultrapassar esta quantidade máxima pode ser recusado, devendo tentar
novamente em outro momento (exemplo: tentativa de conseguir linha telefônica).
Tempo médio de espera (TF): Esta é outra característica capaz de nos causar irritação
quando estamos em uma fila de espera. Representa o tempo médio de espera na fila para ser
atendido e também depende dos processos de chegada e atendimento:
TF = f (λ , µ)
124
EaD PESQUISA OPERACIONAL
Seção 4. 3
Quando nos referimos a filas, utilizamos variáveis randômicas (aleatórias). Assim, para
as principais variáveis existe um valor médio e uma distribuição de probabilidades. Como
um exemplo, a figura a seguir ilustra o tempo de chegada que segue uma distribuição uni-
forme e ela pode ser encontrada mediante um número aleatório ou probabilidade definida.
Dinâmica de uma fila: Imagine-se agora você instalado em uma poltrona dentro de
um banco, com a finalidade de observar o funcionamento da fila formada por pessoas que
desejam realizar um financiamento. Você fica observando as pessoas por um período de 30
minutos.
Chegada
Cliente 1 2 3 4 5 6 7 8 9 10 11 12
Intervalo 2 3 3 3 5 0 1 5 1 4 1 2
Momento 3 6 9 12 17 17 18 23 24 28 29 31
IC = 3 Segundos
Atendimento
Cliente 1 2 3 4 5 6 7 8 9 10 11 12
Duração 1 2 1 1 3 2 1 4 2 3 1 3
125
EaD Martin Ledermann – N ivia Maria Kinalski
Cliente 1 2 3 4 5 6 7 8 9 10 11 12
Tempo 0 0 0 0 0 3 4 0 3 1 3 2
de fila
• O prazo médio de atendimento individual (2 minutos) foi acrescido pelo tempo médio de
fila de 1,33 minuto, ou seja, o tempo gasto por cliente é de 3,33 minutos.
Dimensionamento de Filas
• Atendimento.
126
EaD PESQUISA OPERACIONAL
• Filas especiais.
Tipos de filas:
1 fila e 1 servidor
1 fila e n servidores
m filas e n servidores
Seção 4.3
127
EaD Martin Ledermann – N ivia Maria Kinalski
TA=Tempo
Relações básicas
Pode-se demonstrar também que: NA= λ / µ= TA/IC (número médio de clientes que
estão sendo atendidos)
• Para o caso de “uma fila/vários atendentes” ρ = ë /cµ, onde “c” é o número de atendentes.
128
EaD PESQUISA OPERACIONAL
Fórmulas de Little
NF = λ .TF
NS = λ .TS
Nome Fórmula
Intervalo entre chegadas IC=1/ λ
Tempo de atendimento TA= 1/µ
Taxa de utilização dos ρ= λ /cµ
atendentes
Intensidade de tráfego i= | λ /µ| = |TA/IC|
Relações entre fila, Sistema NS = NF + NA
e atendimento NA= λ /µ? = TA/IC
NS=NF+NA=NF+ λ /µ=NF+TA/IC
TS = TF + TA
Fórmulas de Little NF = λ.TF
NS = λ.TS
Exemplo 1:
λ =20 clientes por hora, µ=25 clientes por hora e TS = 0,3 hora. Pede-se o tamanho médio
da fila.
Solução:
Exemplo 2:
Solução:
129
EaD Martin Ledermann – N ivia Maria Kinalski
Exemplo 3 :
Solução:
NS = λ .TS ou λ =NS/.TS
Seção 4.4
m = tamanho da população
Z = disciplina da fila
A notação condensada A/B/c é muito usada e se supõe que não há limite para o tama-
nho da fila, a população é infinita e a disciplina é Fifo. Para A e B, quando a distribuição for
exponencial negativa, usa-se M (Marcoviana).
130
EaD PESQUISA OPERACIONAL
ρ=λ /µ
131
EaD Martin Ledermann – N ivia Maria Kinalski
Exemplo 1
Po = 1 – λ / µ = 1 – 6/20 = 0,7
Ou seja, existe uma probabilidade de 70% de que uma pessoa, ao chegar, não encon-
tre ninguém no sistema e possa utilizar imediatamente o telefone. O complemento deste
valor (30%) significa a probabilidade de uma pessoa esperar. Assim, o telefone fica ocupado
30% do tempo e fica 70% do tempo ocioso.
NS = λ (µ-λ ) = 0,428
f) Para qual ritmo de chegada teríamos a situação em que o tempo médio de espera na fila
seria de 3 minutos?
A fração do dia durante a qual o telefone está em uso é exatamente igual a (1-Po), isto
é, a probabilidade de que existam pessoas no sistema. Conforme calculado no primeiro item
este valor é 30%.
132
EaD PESQUISA OPERACIONAL
Exemplo 2
Uma empresa deseja contratar um reparador para efetuar manutenção em suas má-
quinas, que estragam a um ritmo de 3 falhas por hora. Para tal possui duas opções: um
reparador lento, que é capaz de consertar a um ritmo de 4 falhas por hora ou um reparador
rápido, que é capaz de consertar a um ritmo médio de 6 falhas por hora. O salário/hora do
reparador lento é R$ 3,00 e do reparador rápido é R$ 5,00. O custo de uma máquina parada
é R$ 5,00. Pede-se qual a contratação que deve ser efetuada para que o custo total (repara-
dor mais máquinas paradas) seja mínimo?
Reparador Lento
Reparador rápido
Comparando, vemos que o reparador rápido, apesar de ter um custo maior, implica um
custo total menor.
Seção 4.5
O modelo de fila M/M/C apresenta uma única fila e diversos servidores com chegadas
e atendimentos marcovianos (isto é, seguem a Distribuição de Poisson ou a Distribuição
Exponencial negativa)
133
EaD Martin Ledermann – N ivia Maria Kinalski
Para um sistema que tem a estrutura da figura a anterior são válidas as definições
estudadas anteriormente (λ , µ, IC = 1/ λ , TA e c = capacidade de atendimento).
As fórmulas para o modelo M/M/c são complexas e difíceis de serem manipuladas e, as-
sim, a preferência generalizada é pelo uso de gráficos. A seguir uma ilustração destes gráficos.
Figura 3
134
EaD PESQUISA OPERACIONAL
Geralmente são utilizados gráficos (como os ilustrados anteriormente por meio da Fi-
gura 3) para se obter o número médio de clientes na fila (NF) em função do fator de utiliza-
ção e tendo como parâmetro a quantidade de servidores “c”.
Após o uso dos gráficos, as outras variáveis podem ser obtidas pelas fórmulas de Little:
TF=NF/ λ e TS=NS/ λ
135
EaD Martin Ledermann – N ivia Maria Kinalski
Exemplo 1
EXERCÍCIOS (LISTA 9)
1. Um escritório tem 3 digitadores e cada uma pode digitar, em média, 6 cartas por hora. As
cartas chegam para serem datilografadas com taxa média de 15 por hora.
c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta?
d) Se cada datilografa recebe de maneira independente (fila individual) 5 cartas por hora,
em média, para datilografar, o tempo médio que uma carta demoraria para ficar pronta
seria maior ou menor que no caso de fila única?
136
EaD PESQUISA OPERACIONAL
2. Deseja-se determinar o número ótimo de caixas em uma agência bancária. O tempo que
cada cliente “perde” dentro da agência está estimado em R$ 5/hora e o custo de funciona-
mento de uma caixa é de R$ 4/hora. Se os clientes chegam à taxa média de 40 clientes/
hora e cada caixa pode atender, em média, 30 clientes/hora, qual é o número mínimo de
caixas que produz o menor custo de operação?
3. Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando atendi-
mento. Os fregueses que chegam quando as 6 cadeiras estão ocupadas, vão embora sem
esperar. Os fregueses chegam com taxa média de 3/h e ficam em média 15 minutos na
cadeira do barbeiro.
4. Um mecânico atende 4 máquinas. Para cada máquina o tempo médio entre os requeri-
mentos de atendimento é de 10 horas, com distribuição exponencial. O tempo de repara-
ção segue a mesma distribuição com tempo médio de 2/horas. Quando uma máquina
para, o custo do tempo perdido é de R$ 20/hora. O custo de um mecânico é de R$ 50/dia.
SÍNTESE DA UNIDADE 4
A Teoria das Filas é um ramo da probabilidade que estuda a forma-
ção de filas, por meio de análises matemáticas precisas e proprieda-
des mensuráveis das filas. Ela provê modelos para demonstrar previ-
amente o comportamento de um sistema que ofereça serviços cuja
demanda cresce aleatoriamente, tornando possível dimensioná-lo
de forma a satisfazer os clientes e ser viável economicamente para o
provedor do serviço, evitando desperdícios e gargalos.
137
EaD PESQUISA OPERACIONAL
Unidade 5
PROGRAMAÇÃO DINÂMICA
E MODELOS DE ESTOQUE
Seção 5.1
Seção 5.2
Principais Características
(i) Etapas – São os diferentes níveis naturais em que se pode dividir um problema. Em cada
um deles estabelece-se um plano de decisões.
139
EaD Martin Ledermann – N ivia Maria Kinalski
(ii) Estados – Cada etapa terá associado um determinado número de estados (finito ou
infinito, discreto ou contínuo, dependendo da natureza do problema). Em geral os estados
são as várias condições possíveis nas quais o sistema se pode apresentar numa dada etapa.
(iii) Decisões – Segundo um determinado plano o seu efeito em cada etapa é transformar o
estado corrente num outro estado associado à etapa seguinte. Essa transformação pode
eventualmente obedecer a uma distribuição de probabilidade, contudo os casos apresenta-
dos são de carácter determinístico e não probabilístico.
(v ) “Backward” – O processo de resolução começa por determinar o plano ótimo para cada
estado da última etapa até encontrar o plano ótimo para a etapa inicial. Esta é a única
maneira correta de proceder relativamente a problemas cujas etapas correspondem a perío-
dos de tempo. Se tal não for o caso, o processo de resolução é reversível, ou seja poder-se-á
também usar o sentido “Forward”.
(vi) Recursividade – É uma relação funcional que identifica o plano ótimo para cada estado
na etapa genérica n , dado o plano ótimo da etapa seguinte, isto é, dado o plano ótimo para
cada estado da etapa (n +1). Esta relação varia com o problema em causa.
Seção 5.3
Problemas operacionais deste tipo podem ser resolvidos mediante a programação di-
nâmica, no entanto percebe-se a existência de dois tipos de problema solucionados por ela.
No primeiro, as variáveis de estados são discretas e o período de otimização finito, ou seja,
problemas reais da Engenharia e das Ciências Sociais que o sistema apresenta um estado
inicial conhecido, sujeito a leis de controle também conhecidas. Esse tipo de problema é
chamado de determinístico. Em outros, as leis de controle são sujeitas à atuação da nature-
za. Esses são os chamados problemas probabilísticos.
140
EaD PESQUISA OPERACIONAL
Cabe lembrar que todo problema de programação dinâmica pode ser estruturado e
desenvolvido com o auxílio de softwares.
Verifica-se, portanto, que a programação dinâmica mostra-se como uma técnica desti-
nada a otimizar processos de decisão de multiestágios. De acordo com Bronson (1985, p.
160):
Um processo de multiestágios é um processo que pode ser desdobrado segundo um certo número
de etapas seqüenciais, ou estágios, os quais podem ser completados de uma ou de diversas ma-
neiras. As opções para se completarem os estágios são chamadas de decisões. Uma política é
uma seqüência de decisões – uma decisão para cada estágio de processo. A condição do processo
num dado estágio é dita o estado neste estágio. Cada decisão efetua uma transição do estado
corrente para o estado associado ao estágio seguinte. Um processo de decisão multiestágio é
finito se houver apenas um número finito de estágios no processo e um número finito de estágios
associados a cada estágio.
141
EaD Martin Ledermann – N ivia Maria Kinalski
Quando uma organização articula sua estratégia é que ela fará um conjunto de coisas em vez de
outro – que ela tomou decisões que comprometem a organização com um conjunto específico de
ações. A primeira coisa sobre estratégia, portanto, é que ela é um compromisso com a ação. Os
gerentes tomam decisões o tempo todo, o que presumivelmente os comprometerá a fazer alguma
coisa, mas nem todas são decisões estratégicas.
• Os custos fixos são específicos para cada produto: cobertor-casal R$233.000, manta-casal
R$ 190.000, cobertor-solteiro R$ 221.000, manta-solteiro R$ 316.000.
Os demais dados relevantes sobre os produtos são apresentados no quadro que segue:
Depois de analisados os custos e despesas relacionados aos produtos, bem como al-
guns aspectos relevantes, pode-se analisar no quadro que segue o lucro por unidade de
cada produto:
142
EaD PESQUISA OPERACIONAL
O lucro ou prejuízo total de cada produto é obtido multiplicando o lucro por unidade
pela quantidade produzida de cada produto deduzindo deste resultado os custos fixos totais
do respectivo produto.
Pode-se observar que, se não for disponibiliza nenhuma hora de MOD para os produ-
tos, os mesmos terão prejuízos, ou seja, mesmo não produzindo quantidade alguma de de-
terminado produto este continua incorrendo com os seus custos fixos, ocasionando deste
modo o prejuízo. Pela sua própria natureza, os custos fixos ocorrerão independentemente
dos volumes produzidos, como também independentemente da fabricação ou não de um ou
de outro produto.
143
EaD Martin Ledermann – N ivia Maria Kinalski
144
EaD PESQUISA OPERACIONAL
Com base na representação do problema por meio das redes verifica-se que, se forem
tomadas as decisões que visam a otimizar a situação, a empresa chegaria a um resultado
ótimo de R$ 26.840.000 com a aplicação dos recursos escassos.
145
EaD Martin Ledermann – N ivia Maria Kinalski
verificar que as melhores decisões ficam em destaque, originando, portanto, o valor de cada
estado, ou seja, R$ 23.963.000 para o estado 3, R$ 18.463.000 para o estado 2, R$ 8.963.000
para o estado 1 e (-) R$ 537.000 para o estado 0.
Exemplo 2
Taxa Volume
Utensílios
Euro/Item m3/Item
I 11 1
II 32 3
III 58 5
Quantos itens de cada artigo o transportador deveria aceitar para maximizar o lucro
com o frete sem exceder a capacidade disponível no veículo?
Este problema pode ser encarado como um processo de 3 estágios envolvendo afeta-
ções de espaço para os utensílios I, II, III respectivamente. O estado de cada estágio é o
número de metros cúbicos de espaço ainda desocupado.
146
EaD PESQUISA OPERACIONAL
Assim:
X
0 1 2 3 4 5 6 7 8
f
f1 ( x ) 0 11 22 33 44 55 66 77 88
f 2( x ) 0 0 0 32 32 32 64 64 64
f 3(x ) 0 0 0 0 0 58 58 58 58
A primeira linha do quadro é imediata, uma vez que todo o metro cúbico adicional
afetado ao artigo I produz um lucro adicional de 11 euros. Para a segunda linha é necessá-
rio ter em conta que cada utensílio do tipo II ocupa 3m 3 e, portanto, a menos que se tenha
pelo menos 3m 3 de espaço disponível nenhum item deste tipo pode ser transportado e ne-
nhum lucro pode ser obtido. Se 3, 4 ou 5m 3 forem afetadas ao utensílio II somente um item
pode ser acomodado, resultando um lucro líquido de 32 euros. Se 6, 7 ou 8m 3 forem afeta-
dos, então podem ser transportados 2 itens, com um lucro líquido de 64 euros. Uma análise
semelhante é aplicada ao item III. Nenhum lucro é obtido se menos de 5m 3 forem afetados.
E se 5, 6, 7 ou 8m 3 forem afetados, apenas um utensílio III pode ser transportado com um
lucro líquido de 58 euros.
Então,
- m3 (5) = 58
d 3 (5) = 5 (escolheu-se o menor maximizante)
147
EaD Martin Ledermann – N ivia Maria Kinalski
Então,
u
0 1 2 3 4 5 6 7 8
m3 (u ) 0 0 0 0 0 58 58 58 58
d 3 (u ) 0 0 0 0 0 5 5 5 5
Continuando
- m2 (8) = máx{ f 2 (0) + m3 (8), f 2 (1) + m3 (7 ), f 2 (2) + m3 (6), f 2 (3) + m3 (5),
- m2 (3) = máx{0 + 0, 0 + 0, 0 + 0, 32 + 0} =
d 2 (3) = 3
- m2 (2 ) = máx{0 + 0, 0 + 0, 0 + 0} = 0
d 2 (2) = 0
- m2 (0) = m2 (1) = 0
d 2 (0 ) = d 2 (1) = 0 (tomou-se o menor maximizante)
148
EaD PESQUISA OPERACIONAL
u
0 1 2 3 4 5 6 7 8
m2(u ) 0 0 0 32 32 58 64 64
90
d 2(u ) 0 0 0 3 3 0 6 6 3
Finalmente
O melhor lucro total para o transportador é 91 euros. Para obter, deve afetar 3m 3 ao
utensílio I (d1 (8) = 3). Ficam 5m 3 disponíveis para os utensílios II e III. Como d 2 (5) = 0 não
deve ser afetado nenhum espaço ao utensílio II. Ficam então ainda 5m 3 disponíveis para o
utensílio III.
1. Terrenos de pastagens
2. Terrenos de regadio
3. Florestas
Euros Investidos
0 100 000 200 000 300 000 400 000
Retorno do Investimento 1 0 200 000 500 000 600 000 700 000
Retorno do Investimento 2 0 100 000 300 000 600 000 700 000
Retorno do Investimento 3 0 100 000 400 000 500 000 800 000
Quanto deve ser investido em cada uma das três opções a fim de se ter o maior retorno global?
149
EaD Martin Ledermann – N ivia Maria Kinalski
SÍNTESE DA UNIDADE 5
A programação dinâmica tem como objetivo analisar problemas
operacionais, considerando a ideia de um sistema, que tem um
número de estados possíveis, e que evolui por estes estados. Por
exemplo, num problema de manutenção e substituição de equipa-
mentos, a máquina pode ser o sistema, e um estado pode ser defi-
nido por sua idade ou conservação. Problemas operacionais deste
tipo podem ser resolvidos por meio da programação dinâmica.
150
EaD PESQUISA OPERACIONAL
Unidade 6
SIMULAÇÃO
O objetivo desta Unidade é fazer um estudo sobre as técnicas de simulação suas van-
tagens e desvantagens, tipos e modelos de simulação, sua área de aplicação e alguns mode-
los se simulação.
Seção 6.1
Introdução à Simulação
151
EaD Martin Ledermann – N ivia Maria Kinalski
sistema do mundo real. Alterações no sistema podem ser inicialmente simuladas para se
prever as consequências no mundo real. A simulação também pode ser empregada para
estudar sistemas no estágio de projeto, ou seja, antes de o sistema ser construído.
Assim, a simulação pode usada tanto como uma ferramenta de análise para prever o
efeito de mudanças em sistemas já existentes quanto como uma ferramenta para prever a
performance de novos sistemas sobre as mais variadas circunstâncias.
Seção 6.2
• Novos equipamentos, layouts, sistemas de transporte, etc..., podem ser testados sem se
comprometer recursos na sua aquisição.
• Hipóteses sobre como e porque certos fenômenos ocorrem podem ser testados visando a
verificar sua praticabilidade.
• Questões do tipo “e se...” podem ser respondidas. Isto é extremamente útil na fase de
design de um projeto.
152
EaD PESQUISA OPERACIONAL
• Os resultados de uma simulação podem ser difíceis de interpretar. Como a maioria das
saídas de uma simulação são variáveis aleatórias (elas estão normalmente baseadas em
entradas aleatórias), é difícil determinar se uma observação é o resultado do relaciona-
mento entre as variáveis do sistema ou consequência da própria aleatoriedade.
• A simulação é usada em muitos casos em que uma solução analítica é possível. A simula-
ção não dá resultados exatos.
Seção 6.3
• Simulação das operações de uma companhia aérea para testar alterações em seus procedi-
mentos operacionais.
• Simulação de uma siderúrgica para avaliar alterações nos seus procedimentos operacionais.
• Simulação de uma empresa como um todo para avaliar o impacto de grandes mudanças
ou como treinamento para seus executivos (business games )
153
EaD Martin Ledermann – N ivia Maria Kinalski
Seção 6.4
Logo, medidas como o número médio de clientes esperando e o tempo médio de espera
de um cliente devem ser tratados como estimativas estatísticas das medidas reais do sistema.
Um exemplo seria a simulação de uma agência bancária no qual entre a chegada (ou
a saída) de clientes, o estado do sistema não se altera. Numa Simulação Contínua o sistema
se altera a cada fração de tempo. Exemplos clássicos são a simulação de um avião voando e
a passagem de água por uma barragem.
Seção 6.5
1. Formulação do problema: Cada projeto deve começar com a definição do problema a ser
resolvido. É importante que a definição esteja clara para todos que participam do projeto.
154
EaD PESQUISA OPERACIONAL
5. Codificação: Como a maioria dos sistemas do mundo real resulta em modelos que reque-
rem um grande número de informações e de cálculos, o modelo deve ser programado em
um computador digital. O modelador deve decidir se programa em uma linguagem de
programação comum como Java, C, Pascal, Basic, etc..., ou se usa um pacote como o
Arena, Simul, Promodel, Crystal Ball, etc... Como codificar um modelo leva, normalmen-
te, muito tempo, mesmo se a equipe possui bons programadores, a tendência atual no
mercado é se trabalhar com pacotes. É preciso que mencionar também o uso de planilhas
(Excel) para se construir modelos de simulação.
6. Testes: Após a codificação dos programas é necessário testá-los para verificar se eles não
têm algum erro de programação. Deve-se preparar um conjunto de dados com a finalidade
exclusiva de testar os programas.
7. Validação: Nesta fase se verifica se o modelo é uma representação precisa do sistema que
se quer modelar. É nesta fase que se faz a chamada calibragem do modelo, ou seja, são
feitos ajustes até que os resultados nos deem garantias de que o modelo é uma boa repre-
sentação do problema sendo modelado.
155
EaD Martin Ledermann – N ivia Maria Kinalski
8. Produção: Nesta etapa o modelo é colocado em produção e os dados obtidos são analisa-
dos. A produção pode envolver a execução, várias vezes, do modelo, variando-se os dados
e os parâmetros de entrada.
9. Avaliação global dos resultados: Nesta fase avalia-se se os resultados obtidos estão con-
dizentes com os esperados. Caso sejam encontradas discrepâncias podemos ter de voltar à
etapa de construção do modelo.
Uma grande máquina industrial tem 3 rolamentos diferentes que quebram de tempos
em tempos. A probabilidade da vida útil (em horas de operação) de um rolamento está dada
no quadro a seguir:
156
EaD PESQUISA OPERACIONAL
Solução
Como a vida útil dos rolamentos e a espera pelo mecânico são variáveis aleatórias que
seguem as distribuições vistas anteriormente, precisamos relacionar aquelas distribuições
com uma tabela de números aleatórios. Assim sendo, vamos imaginar que temos um gera-
dor de números aleatórios capaz de gerar qualquer inteiro entre 0 e 99, ou seja 100 núme-
ros. Vamos atribuir a cada duração de vida útil uma faixa destes números que me garanta
que a distribuição probabilística seja mantida. Como a 1ª vida útil (1.000 horas) tem 10% de
probabilidade de ocorrer, vamos atribuir a esta duração a faixa de 0 a 9 inclusive, ou seja, 10
números (10% dos 100 números). Para a 2ª duração provável (1.100 horas), com 13% de
probabilidade de ocorrência, vamos atribuir a faixa de 10 a 22 inclusive, ou seja, 13 núme-
ros. Podemos continuar para as demais durações prováveis dos rolamentos, como pode ser
visto no quadro a seguir, ressaltando que a probabilidade acumulada dá o limite das faixas
escolhidas.
Quadro semelhante pode ser construído para a espera pela chegada do mecânico.
157
EaD Martin Ledermann – N ivia Maria Kinalski
Com os dados dos quadros anteriores, podemos executar a simulação que, neste
caso, foi realizada numa planilha Excel , apresentando os seguintes resultados para o ro-
lamento 1:
Podemos observar na planilha que para cada sequência ou seja, rolamento novo, é
gerado um número aleatório que indica qual a vida útil daquele rolamento. Tendo quebra-
do, após esta vida útil, o mecânico é chamado e um 2º número aleatório é gerado para
definir o tempo de espera até a troca do rolamento ser iniciada.
158
EaD PESQUISA OPERACIONAL
Custo da máquina parada esperando pelo mecânico = (120 + 130 + 130) × R$ 5 = R$1.900
159
EaD Martin Ledermann – N ivia Maria Kinalski
NA = Não aleatório
Assim a simulação nos mostrou que a situação proposta é bem melhor em termos eco-
nômicos.
1. Utilizando a planilha Excel, simule o exemplo dos rolamentos para 200.000 horas. Exe-
cute várias replicações e calcule as médias dos custos (solução atual e solução proposta).
Comente os resultados obtidos.
160
EaD PESQUISA OPERACIONAL
SÍNTESE DA UNIDADE 6
A simulação consiste na utilização de certas técnicas matemáti-
cas, empregadas em computadores, as quais permitem imitar o fun-
cionamento de, praticamente, qualquer tipo de operação ou pro-
cesso do mundo real, ou seja, é o estudo do comportamento de
sistemas reais mediante o exercício de modelos. É um processo de
projetar um modelo computacional de um sistema real e conduzir
experimentos com este modelo com o propósito de entender seu
comportamento e/ou avaliar estratégias para sua operação. Desta
maneira, podemos entender a simulação como um processo amplo
que engloba não apenas a construção do modelo, mas todo o mé-
todo experimental que se segue, buscando descrever o comporta-
mento do sistema, construir teorias e hipóteses considerando as
observações efetuadas, e usar o modelo para prever o comporta-
mento futuro, isto é, os efeitos produzidos por alterações no siste-
ma ou nos métodos empregados em sua operação.
161
EaD PESQUISA OPERACIONAL
Referências
Referências Complementares
ECK, Roger D. Operations research for business . Wadsworth, Belmont-California, 1976. 757p.
PIDD, Mike. Modelagem empresarial – ferramentas para tomada de decisão. Porto Alegre:
Artes Médicas, 1998.
CHWIF, L.; MEDINA, A. Modelagem e simulação de eventos discretos: teoria & prática, São
Paulo: Bravarte, 2006.
163
EaD Martin Ledermann – N ivia Maria Kinalski
EHRLICH, Pierre Jacques. Pesquisa operacional: curso introdutório. São Paulo: Atlas, 1991.
MARTINS, Eliseu. Contabilidade de custos: livro de exercícios. São Paulo: Atlas, 1994.
164