4762
12, DECEMBER 2016
A Nonlinear Optimization Algorithm Applied to
Optimal Allocation Problem
J. A. M. Brito and A. E. Xavier
1
Abstract— This article presents a new algorithm to optimize
the multivariate optimal allocation problem. Many researchers
have studied and proposed new methods for the solution this
problem, which can be performed by choosing one of the
following goals: (i) minimizing the weighted combination of
relative variances, considering the sample size fixed or (ii)
minimizing the sample size in a way that the coefficients of
variation are lower or equal to the previously fixed coefficients of
variation. The proposed algorithm is based on a nonlinear
optimization method denoted hyperbolic penalty. Results
obtained for real populations show that the algorithm is a good
alternative to solve this problem.
Keywords— Stratification, Optimization, Hyperbolic Penalty.
I. INTRODUÇÃO
A TUALMENTE, a maioria das pesquisas realizadas pelos
institutos oficiais de estatística são baseadas em um
levantamento por amostragem. A partir desse levantamento é
possível produzir estimativas para parâmetros reais da
população da pesquisa, investigando, apenas, um subconjunto
dessa população denominado amostra [1]. A realização desse
levantamento depende, basicamente, de um plano amostral
que é elaborado em função do recorte geográfico da pesquisa,
do cadastro que será disponibilizado à seleção da amostra e do
orçamento disponível para pesquisa [3].
Ainda neste sentido, ao ser adotado um plano amostral,
busca-se o equilíbrio entre os recursos orçamentários
disponíveis à realização da pesquisa e a necessidade de um
bom nível de precisão para as estimativas a serem divulgadas.
O nível de precisão, por sua vez, pode ser alcançado
explorando de uma forma eficiente a relação de
homogeneidade observada entre elementos da população em
estudo. Neste sentido, uma alternativa para contemplar essas
duas necessidades consiste na utilização de um plano amostral
que incorpore a amostragem estratificada.
Ao utilizar a amostragem estratificada, efetua-se a divisão
dos N elementos da população U em H estratos homogêneos o
que, por sua vez, possibilita a produção de estimativas com
um maior nível de precisão. Essa homogeneidade é avaliada a
partir do cálculo de uma variância associada com uma variável
de estratificação, previamente escolhida e que precisa ter os
seus valores conhecidos para todos os elementos que
constituem a população. Uma vez definidos os estratos e um
tamanho de amostra n, o problema seguinte consiste em
definir quantas unidades amostrais serão alocadas a cada um
dos estratos.
Nesse contexto, se o interesse está apenas restrito ao ganho
de precisão no que diz respeito à própria variável de
1
J. A. M. Brito, Escola Nacional de Ciências Estatísticas, Rio de Janeiro,
Brasil, jambrito@gmail.com
A. E. Xavier, Universidade Federal do Rio de Janeiro, Rio de Janeiro,
Brasil, adilson.xavier@gmail.com
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO.
estratificação, utiliza-se a conhecida fórmula da alocação
ótima de Neyman [1].
Não obstante, se há a necessidade de produzir estimativas
com determinado nível de precisão para um conjunto de
variáveis da pesquisa, e essas variáveis não são fortemente
correlacionadas, deve-se utilizar um método que efetue a
alocação da amostra de forma que a precisão previamente
definida seja alcançada para todas as variáveis de pesquisa.
Neste caso, fica caracterizado o problema de alocação ótima
multivariado.
Segundo a literatura, essa alocação pode ser efetuada de
forma a atender um dos objetivos a seguir: (i) Fixado um
tamanho de amostra n, deve-se definir os tamanhos de amostra
que serão alocados aos H estratos, de forma a minimizar uma
soma ponderada de variâncias relativas (ou de coeficientes de
variação) associadas a um conjunto de m variáveis de
pesquisa; (ii) Minimizar o tamanho total de amostra que será
alocado aos estratos, de forma que os coeficientes de variação
associados às variáveis de interesse sejam menores ou iguais a
patamares previamente fixados, para os coeficientes de
variação de estimadores de total ou de média [1], por exemplo.
Considerando o segundo objetivo, o presente trabalho traz
uma proposta de resolução para o problema de alocação ótima,
mediante a aplicação de um algoritmo de otimização não
linear baseado no método de penalização proposto por [2].
O presente trabalho está dividido da seguinte forma: na
seção dois são apresentados os conceitos básicos de
amostragem estratificada, sendo feita uma descrição detalhada
do problema de alocação ótima multivariado. A seção três traz
a descrição do método de penalização. A seção quatro
apresenta experimentos computacionais realizados com dados
reais, considerando a aplicação da nova metodologia e de um
método proposto na literatura e a seção cinco traz as
considerações finais e conclusões sobre o trabalho.
II.CONCEITOS DE AMOSTRAGEM ESTRATIFICADA E
PROBLEMA DE ALOCAÇÃO ÓTIMA MULTIVARIADO
De acordo com a teoria da amostragem, a precisão de um
estimador como, por exemplo, o estimador da média, depende
não apenas do tamanho da amostra e da fração amostral, mas
também da variabilidade dos elementos que compõem a
população de pesquisa a partir da qual será selecionada uma
amostra [1], [3].
Destarte, alternativamente a aumentar o tamanho de
amostra, pode-se estimar o total ou a média, com ganhos de
precisão, considerando a divisão da população em grupos
denominados estratos. Os elementos reunidos em cada um dos
estratos são mais homogêneos entre si, quando comparados
com a população inteira. Neste caso, em vez de selecionar-se
uma amostra aleatória simples de tamanho de n de toda a
população, são selecionadas amostras aleatórias simples em
cada um dos estratos, de forma que a soma desses tamanhos
de amostra corresponda à amostra total n, previamente
MOURA BRITO AND XAVIER : A NONLINEAR OPTIMIZATION ALGORITHM APPLIED
definida para a pesquisa. Este procedimento caracteriza uma
amostragem estratificada simples [3], que não está restrita ao
planejamento de pesquisas amostrais. Mais especificamente,
em [24] e [25] são apresentadas duas importantes aplicações
da amostragem estratificada.
Por exemplo, para estimar a renda média por família em
determinada região, pode ser apropriado agrupar as famílias
em dois ou mais estratos, de acordo com uma variável
indicadora da renda recebida pelas famílias. Os agregados
familiares, em qualquer estrato, tendem a ser mais
homogêneos em relação à renda, em comparação com toda a
população [4].
Formalmente, ao considerar a adoção de uma amostragem
estratificada [1], [3], uma população U composta por N
unidades é dividida em H estratos E1, E2,..., EH constituídos,
respectivamente, por N1, N2,..., NH unidades. Esses estratos
não se superpõem e, juntos, abrangem a totalidade da
população de tal modo que:
(1)
N1 + N 2 + ... + N H = N
Eh  Ek = ∅ , h ≠ k (2)
H
 h =1 Eh = U (3)
Uma vez definidos os estratos e um tamanho de amostra n,
são selecionadas nh observações (amostras independentes)
dentre as Nh observações disponíveis em cada um dos estratos
Eh, de forma que as duas restrições abaixo sejam cumpridas:
n = n1 + n2 +...+nH (4)
nmin≤nh≤Nh (h=1,...,H) (5)
sendo nmin correspondente ao menor tamanho de amostra
possível que pode ser selecionada em cada estrato
populacional.
A partir dessa amostra, são levantadas informações e
produzidas estimativas (total, média, proporção etc) para um
conjunto de m variáveis de pesquisa. Supondo que essas
variáveis sejam denotadas, respectivamente, por y1,...,yj,...,ym,
a variância dessas variáveis, em cada um dos estratos, é
definida por:
1 estratos. A restrição apresentada na equação (13) garante que
S 2hj =  (y ij − Y hj )2 , j = 1,..., m, h = 1,..., H
(N h − 1) i∈Eh
sendo yij correspondente ao valor de yj para i-ésima
observação da população e Y hj corresponde à média dessa
variável no h-ésimo estrato, isto é,
1 (7)
Y hj = Yhj , j = 1,...,m, h = 1,...,H
Nh
Yhj =  y , h = 1,...,H e j = 1,..., m
i∈E h
ij
E, complementando, tem-se que Yj corresponde ao total da
j-ésima variável de pesquisa, ou seja:
H H
Yj =  y ij =  Yhj
h =1 i∈E h h =1
Considerando a utilização de amostragem estratificada
simples, a variância do estimador Horvitz Thompson do total
[1] para cada uma das m variáveis de pesquisa é definida por:
H
1 1
V(t j ) =  N2h ( − )S2hj , j = 1,..., m (10)
h=1 n h N h
4763
onde
H
Nh
tj =   y ij , j = 1,..., m (11)
h =1 n h i∈s h
(sh amostra associada ao h-ésimo estrato).
Tendo em vista que os valores de Nh e Shj2 são obtidos a
partir da definição dos estratos, o valor da variância na
equação (10) depende, apenas, dos tamanhos de amostra nh
que serão alocados aos estratos. Essa alocação é muito
importante, pois é ela que irá garantir a precisão do
procedimento amostral. Em geral, ao efetuar uma alocação,
busca-se o equilíbrio entre a precisão em relação a cada uma
das variáveis de pesquisa e o custo da pesquisa em relação às
unidades amostrais que serão investigadas.
De acordo com a literatura, o problema de alocação
multivariado pode ser resolvido considerando dois objetivos, a
saber: (i) Minimizar uma soma ponderada das variâncias
relativas (ou de coeficientes de variação) associadas às
variáveis de interesse da pesquisa, definido um tamanho
máximo de amostra; (ii) Determinar os tamanhos de amostra
nh que serão alocados aos estratos, de forma que o tamanho
total da amostra n seja o menor possível, e que os coeficientes
de variação associados às estimativas de total produzidas para
as variáveis de pesquisa não excedam patamares definidos a
priori. Apresenta-se a seguir a formulação de programação
matemática que contempla o segundo objetivo:
H
Minimizar  nh (12)
h=1
Sujeito a
nmin ≤ nh ≤ Nh , h = 1,...,H (13)
V(t j )/ Yj ≤ cv j j = 1,..., m (14)
nh ∈Z+ (h=1,...,H) (15)
Nessa formulação, a função objetivo a ser minimizada
corresponde à soma dos tamanhos de amostra alocados aos
(6)
serão alocadas pelo menos nmin unidades amostrais a cada um
dos estratos e que o número de unidades alocadas não será
superior aos tamanhos dos estratos.
Já a restrição associada à equação (14) garante que a razão
entre o desvio padrão do estimador de total de cada variável de
pesquisa e o seu respectivo total será menor ou igual a um
coeficiente de variação cvj (j=1,...,m), (chamado de cv alvo)
fixado previamente. Finalmente, a restrição da equação (15)
(8)
garante que os tamanhos de amostra alocados aos estratos
serão inteiros (restrição de integralidade do problema).
Em função da relevância desse problema para a área de
Estatística e da sua natureza não linear mista, explicitada na
formulação acima, nas últimas décadas, foram desenvolvidos
(9)
diversos trabalhos onde são propostos métodos que atendem
os dois objetivos.
Mais especificamente, esses trabalhos contemplam
métodos baseados na teoria de programação não linear
[5],[6],[7],[9],[10],[11],[12], programação convexa [8], [19],
programação dinâmica [14], programação multiobjectivo
4764
[13],[15],[18],[20], heurísticas[16], metaheurísticas [17] e
programação inteira [21].
Em particular, no presente trabalho, o problema associado à
formulação acima será abordado como um problema de
programação não linear (PPNL), sendo todas as variáveis
tratadas, inicialmente, como contínuas (relaxação das
restrições de integralidade).
Neste sentido, a seção seguinte traz uma proposta de
resolução para o problema de alocação, considerando a
aplicação de um método de programação não linear baseado
em penalidades, mais especificamente, o método proposto por
[2], doravante denominado método de penalização
hiperbólica. Neste ponto, deve-se ressaltar que, nenhuma das
abordagens de programação não linear da literatura, propostas
para esse problema, fazem uso de um método de penalização.
Em particular, o método da literatura proposto por Bethel
[10][11], e que foi utilizado para comparação com o método
penalização hiperbólica, é baseado teoria de Kuhn-Tucker e
faz uso de multiplicadores de Lagrange [22].
De forma a facilitar o entendimento do método de
penalização, as restrições presentes na formulação definida
pelas equações (13)-(15) serão apresentadas, a seguir, na
forma padrão de programação não linear:
g i (n1 , n2 ,..., n H ) = n i - n min , i = 1,..., H (16)
hk (n1 , n2 ,..., nH ) = Nk - nk , k = 1,..., H (17)
s j(n1 , n2 ,..., n H ) = − V(t j )/ Yj + cv j , j = 1,..., m (18)
considerando
g i (n1 , n 2 ,..., n H ) ≥ 0, i = 1,..., H (19)
h k (n1 , n2 ,..., n H ) ≥ 0, k = 1,..., H (20)
sj(n1 , n2 ,..., nH ) ≥ 0, j = 1,..., m (21)
n1 , n2 ,..., nH ∈ ℜ (22)
As equações (16) e (17) e as restrições (19) e (20)
correspondem, respectivamente, à restrição (13), já a equação
(18) corresponde à restrição (14).
A partir dessas considerações, pode-se reescrever a
formulação original da seguinte forma:
H x∈ℜ
Minimizar f(n1 , n 2 ,..., n H ) =  n h (23)
h =1
Sujeito a
g i (n1 , n 2 ,..., n H ) ≥ 0, i = 1,..., H (24)
h i (n1 , n 2 ,..., n H ) ≥ 0, i = 1,..., H (25)
s j(n1 , n2 ,..., n H ) ≥ 0, j = 1,..., m (26)
n1 , n2 ,..., nH ∈ ℜ (27)
III. MÉTODO DE PENALIZAÇÃO HIPERBÓLICA
Considere o problema geral de Programação Não-Linear:
(P) Minimizar f(x) (28)
Sujeito a
g i (x) ≥ 0, i = 1,..., u (29)
h j (x) = 0, j = 1,..., p (30)
x ∈ ℜn (31)
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 12, DECEMBER 2016
A característica comum aos métodos de penalidades é a
transformação do problema de minimização com restrições em
um problema sem restrições, ou seja:
Minimizar F(x)=f(x)+P(x) (32)
Na equação acima, P(x) corresponde à função penalidade
que incorpora as restrições associadas à g(x) e h(x).
A ideia básica, comum a todos os métodos de penalidades,
é que a função penalidade possua o poder de aumentar
fortemente os valores fora da região viável [22] e,
concomitantemente, tenha uma influência desprezível dentro
dessa região, de forma que o ponto ótimo do problema
modificado esteja, aceitavelmente, próximo do ponto ótimo do
problema original.
A maioria dos métodos de penalidade produz o ponto ótimo
através da resolução de uma sequência de problemas de
minimização, obtida pela variação controlada de um
parâmetro externo, que faz com que se aumente,
progressivamente, o grau em que o problema sem restrições se
aproxima do problema original.
Ao contrário de outros métodos que trabalham com apenas
um parâmetro, o método de penalização proposto em [2]
trabalha com dois parâmetros, quais sejam: um ângulo α e
uma distância d.
Cabe observar que a utilização de dois parâmetros não traz
problemas ao desempenho do método, uma vez que esses
parâmetros são manipulados separadamente, em duas fases
distintas do algoritmo [2]. A função penalidade associada a
esse método apresenta a característica de ser completamente
diferenciável. Outra característica importante é que qualquer
ponto inicial pode ser escolhido para iniciar o algoritmo.
Como a formulação que é o objeto de estudo desse trabalho
não tem restrições de igualdade, o algoritmo apresentado a
seguir, tratou do seguinte o problema:
(P) Minimizar f(x) (33)
Sujeito a
(34)
g i (x) ≥ 0, i = 1,..., u
n
(35)
Considerando a aplicação do método de penalização
hiperbólica, a solução desse problema é obtida através de uma
sequência de minimizações sem restrições da função objetivo
original f(x), acrescida de um termo P(g(x),α,d)
correspondente à penalidade. A função a ser minimizada é:
u
F(x, α, d) = f(x) + P(g(x), α, d) = f(x) +  P(g i (x), α, d) (36)
i =1
1 1 (37)
P(y, α, d) = − ( tan( α ). y ) + ( tan( α )) 2 . y 2 + d 2
2 2
com α ∈ [0, π ) e d ≥ 0
2
A ideia básica do método é a seguinte: Inicialmente,
aumenta-se o ângulo α da assíntota da função penalidade P
conforme Fig. 1, provocando significativo aumento da
penalização (valor da função F) fora da região viável e,
reduzindo simultaneamente a penalização para pontos
pertencentes à região viável. O processo continua até que se
obtenha um ponto viável.
MOURA BRITO AND XAVIER : A NONLINEAR OPTIMIZATION ALGORITHM APPLIED
Em seguida, mantem-se α constante e diminui-se
sequencialmente o valor d de acordo com Fig. 2.
Figura 1. Aumento do ângulo α.
Figura 2. Redução do valor d.
Destarte, a penalização interior [2] e [22] torna-se cada vez
mais irrelevante, mantendo-se o mesmo nível de
proibitividade fora da região viável.
Ao aplicar o método de penalização hiperbólica à
formulação de PNL definida nas equações (23), (24), (25),
(26) e (27), mais especificamente, a função de penalidade,
temos:
F(x, α, d) = f(x) + P(g(x), α, d) + P(h(x), α, d) + P(s(x), α, d) =
H H m (38)
f(x) +  P(g i (x), α, d) +  P(h i (x), α, d) +  P(s j (x), α, d)
i =1 i =1 j=1
A seguir é apresentado o Algoritmo 1 que diz respeito ao
algoritmo de penalização hiperbólica (PH) proposto em [2].
No passo (1) do algoritmo são definidos os parâmetros de
entrada utilizados no método de penalização hiperbólica e no
passo (3) ocorre a minimização da função de penalidade que
incorpora as restrições do problema. Na k-ésima iteração do
algoritmo, a função é minimizada considerando ponto
produzido na iteração anterior (k-1). No passo 4 é avaliado se
o novo ponto xk produzido é viável, ou seja, se pertence à
região viável definida pelas restrições do problema de PNL.
4765
Se esse ponto não for viável, aumenta-se o valor do
parâmetro α implicando, consequentemente, o aumento do
valor da função F(x,α,d) (passo 6). Caso contrário, reduz-se no
passo (5) o valor do parâmetro d. Ao final de k iterações,
sendo xk um ponto viável e cuja diferença em relação ao ponto
xk-1, em módulo, é menor ou igual a um parâmetro ε, esse
ponto corresponde ao ótimo x* do problema.
Algoritmo 1: Algoritmo de Penalização Hiperbólica
1 Defina os valores ρ1 e ρ2 ∈(0,1), k=0, α1=α0, d1= d0, ε,
α0∈(0,π/2) e d0>0 e tome x0 (ponto inicial)
2 Repita
k=k+1
m
3 Minimize F(x, α, d) = f(x) +  P(g i (x), α k , d k ) a usando xk-1
i=1
e produzindo o ponto xk
4 Se xk é viável Então
Se ||xk-xk-1|| > ε Então (ainda não é aceitável)
5 dk+1=ρ2dk, αk+1=αk
Fim-se
Senão
6 αk+1=ρ1αk+(1-ρ1)π/2 e dk+1=dk
Fim-se
7 Até que (||xk-xk-1|| ≤ε)
8 Faça x*=xk (ponto de ótimo)
IV. EXPERIMENTOS COMPUTACIONAIS
Esta seção traz os resultados obtidos para o problema de
alocação ótima, considerando a aplicação do método de
penalização hiperbólica e um método da literatura, proposto
por Bethel [10], [11] e implementado por Barcaroli [23]. O
método de penalização hiperbólica foi desenvolvido em
linguagem R e a versão melhorada do algoritmo de Bethel está
disponível em uma função de um pacote do R denominado
SamplingStrata. Os resultados de todos os experimentos
computacionais reportados neste trabalho foram obtidos a
partir da execução das funções no ambiente do software R,
utilizando um computador dotado de 24GB de memória RAM
e um processador de 3.40 GHz (I7).
O método de penalização e o método da literatura foram
aplicados em quatro populações reais. Em particular, para
aplicação do método de penalização hiperbólica, foram
considerados, respectivamente, os seguintes valores para os
parâmetros d0, ρ1 ,ρ2, α0, ε: 50, 0.3, 0.5, π/18, 10-6. E o ponto
inicial xo= (0.8xN1,0.8xN2,...,0.8xNH).
Tendo em vista que foi adotada uma abordagem de
programação não linear para o problema de alocação,
naturalmente, as soluções produzidas a partir da aplicação do
algoritmo não correspondem a valores inteiros. Assim sendo,
após a execução do algoritmo, em cada uma das populações,
foi efetuado um arredondamento dos tamanhos de amostra.
A tabela I traz informações concernentes às quatro
populações consideradas neste experimento. Além da
identificação da população, a segunda coluna tem o número de
estratos H, a terceira coluna tem o número de variáveis Y da
população (m) e a quarta coluna, representada por N, contém o
número de observações da população. E a tabela II tem
4766 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 12, DECEMBER 2016

informações relativas à origem da população e às variáveis de TABELA V

RESULTADOS POP3
pesquisa utilizadas.
PH
TABELA I cvj n CV(t1) CV(t2) CV(t3) CV(t4)
INFORMAÇÕES SOBRE AS POPULAÇÕES
5 1527 1.99 3.87 5.00 4.41
População H m N 10 761 3.58 7.21 9.99 8.77
15 439 4.98 10.20 14.98 13.07
POP1 3 3 20742 BE
POP2 12 2 59778
POP3 7 4 2896 cvj n CV(t1) CV(t2) CV(t3) CV(t4)
POP4 4 3 338 5 1529 2.00 3.88 4.99 4.40
10 763 3.60 7.25 9.97 8.75
15 441 4.95 10.16 14.94 13.03
TABELA II
DADOS SOBRE AS POPULAÇÕES
TABELA VI
RESULTADOS POP4
População Descrição Variáveis (Y)
PH
POP1 Estabelecimentos agropecuários Efetivo, Área Total e cvj n CV(t1) CV(t2) CV(t3)
produtores de café no estado do Produção 2 248 1.84 1.83 2.00
Paraná (Censo AGRO 1998). 5 110 4.59 4.66 4.99
POP2 Dados do censo escolar Número de Salas e 10 37 9.17 9.34 9.96
brasileiro de 2012 – Região Número de BE
Sudeste Funcionários por Escola cvj n CV(t1) CV(t2) CV(t3)
POP3 Informações sobre os Área de Cultivo, Área 2 250 1.81 1.79 1.96
municípios suíços em 2003 Industrial, Número de 5 113 4.50 4.56 4.89
( pacote SamplingStrata) Domicílios e População 10 39 8.87 9.02 9.67
POP4 Informações sobre fazendas de Quantidade, Receita e
cana de açúcar da Austrália Despesa
utilizadas em [27] Analisando-se as tabelas III, IV, V, e VI, e levando-se em
conta que o objetivo é minimizar o tamanho de amostra, é
As tabelas III, IV, V e VI trazem os coeficientes de possível observar que, em todos os casos, o método de
variação alvo (cvj) fixados para cada uma das variáveis de penalização hiperbólica foi mais eficaz do que o método de
pesquisa, além dos tamanhos de amostra (n) obtidos usando o Bethel, uma vez que produziu tamanhos de amostra inferiores
método de penalização (PH) e o método proposto por Bethel aos tamanhos de amostra produzidos pelo método de Bethel.
(BE), além dos coeficientes de variação (em percentual) Ainda considerando essa análise, os maiores ganhos
produzidos (CV(ti)) a partir da aplicação desses dois métodos. produzidos (redução no tamanho de amostra) estão associados
à segunda população, que contém o maior número de
elementos (N) e mais estratos.
TABELA III
RESULTADOS POP1 Além disso, para todas as populações, o método de
penalização hiperbólica consumiu um tempo computacional
PH
cvj
inferior a 2 minutos. Isso demonstra que o método proposto
n CV(t1) CV(t2) CV(t3)
neste trabalho se constitui como uma boa alternativa à
5 2545 1.23 5.00 2.91
10 754 3.30 10.00 7.07 resolução do problema de alocação ótima multivariado.
15 347 5.11 15.00 10.86
BE
cvj n CV(t1) CV(t2) CV(t3)
V. CONCLUSÕES
5 2546 1.23 5.00 2.91 O presente trabalho trouxe a proposta de uma nova
10 755 3.30 9.99 7.07 metodologia para a resolução do problema de alocação ótima
15 349 5.11 14.95 10.85
multivariado. Mais especificamente, esse problema foi
formulado como um problema de programação não linear,
TABELA IV cuja solução foi obtida mediante a aplicação do método de
RESULTADOS POP2 penalização proposto por [2]. Além disso, essa formulação
PH permite a definição prévia de um tamanho mínimo de amostra
cvj n CV(t1) CV(t2) por estrato, algo que não é possível estabelecer em vários
2 5240 2.00 1.00 métodos da literatura, em particular, no método proposto por
5 932 5.00 2.41 Bethel [10], [11].
10 242 10.00 4.51
BE
Conforme comentado, esta nova metodologia se diferencia
cvj n CV(t1) CV(t2) das demais metodologias da literatura por tratar o problema de
2 5247 2.00 1.00 alocação de forma direta, considerando a sua não linearidade
5 937 4.98 2.41 no que diz respeito à restrição que limita os coeficientes de
10 246 9.89 4.58 variação.
Foram realizados experimentos numéricos com um
pequeno conjunto de populações que demonstraram a
viabilidade da nova abordagem proposta.
MOURA BRITO AND XAVIER : A NONLINEAR OPTIMIZATION ALGORITHM APPLIED 4767

Não obstante, em trabalhos futuros, pretende-se avaliar o [24] T.Liu, F.Wang and G.Agraw, “Stratified Sampling for Data Mining on
the Deep Web”, IEEE International Conference on Data Mining, pp. 324-333,
novo método proposto considerando um quantitativo maior de 2010.
novas populações com mais estratos e mais variáveis de [25] S.Joshi and Christopher Jermaine, “Robust Stratified Sampling Plans for
pesquisa. Low Selectivity Queries”, IEEE 24th International Conference on Data
Ainda que o método de penalização hiperbólica não seja Engineering, pp. 199-208, 2008.
[26] S. A. Souza, R. A. Macêdo, E. T. Vargas, D. V. Coury, M. Oleskovicz,
diretamente dependente do ponto de partida, também se “Estimação de Parâmetros de um Sistema Elétrico de Potência Utilizando
pretende desenvolver e utilizar, em experimentos futuros, uma Algoritmos Genéticos”, IEEE Latin America Transactions, vol. 4(1),
heurística que produza pontos iniciais viáveis que propiciarão pp. 47-54, 2006.
a convergência do algoritmo em um tempo computacional [27] R. L. Chambers and R. Dunstan, “Estimating Distribution Functions
from Survey Data”, Biometrika, vol. 73 (3), pp. 597-604, 1986.
menor. Neste sentido, uma possível alternativa seria a
utilização de algoritmos genéticos [26].
José André de Moura Brito tem bacharelado em Matemática
REFERÊNCIAS pela Universidade Federal do Rio de Janeiro (1997), Mestrado
[1] W. G. Cochran, “Sampling Techniques”, Third Edition – Wiley, 1977 em Engenharia de Sistemas e Computação (Otimização) pela
[2] A.D.E.Xavier, “ Hyperbolic Penalty: A New Method for Nonlinear Universidade Federal do Rio de Janeiro (1999), Doutorado em
Programing with inequalities,” International Transactions in Operational Engenharia de Sistemas e Computação (Otimização) pela
Research, vol. 8 (6), p. 659-672, 2001. Universidade Federal do Rio de Janeiro (2004) e
[3] S.L. Lohr, “Sampling: Design and Analysis”, 2nd edition. Brooks/Cole, Pós-Doutorado em Otimização na UFF (2008). É professor da
Cengage Learning, 2010. Escola Nacional de Ciências e Estatística (ENCE/IBGE), onde leciona
[4] P.V. Sukhatme, B.V. Sukhatme, S. Sukhatme and C. Asok, “Sampling disciplinas na graduação e no mestrado. É editor executivo da Revista
Theory of Surveys with Applications”. Iowa State University Press, 3rd Brasileira de Estatística (RBE). Tem experiência nas áreas de Otimização,
Edition, 1984. Estatística e Computação, atuando principalmente nos seguintes temas:
[5] A.R. Kokan, “Optimum Allocation in Multivariate Surveys”, Journal Metaheurísticas, Programação Inteira, Otimização Combinatória, Suavização,
of the Royal Statistical Society, Series A, vol. 126 (4), pp. 557-565, 1963. Análise de Algoritmos, Análise de Agrupamentos e
[6] J.L. Folks and C.E.Antle, “Optimum Allocation of Sampling Units to Amostragem. http://lattes.cnpq.br/9036541085964477.
Strata When There Are R Responses of Interest”, Journal of the American
Statistical Association, vol. 60 (309), pp. 225-233, 1965. Adilson Elias Xavier possui graduação em Engenharia
[7] A.R. Kokan and S. Khan, “Optimum Allocation in Multivariate Surveys: Mecanica pela Universidade Federal de Minas Gerais (1966),
An Analytical Solution”. Journal of the Royal Statistical Society, Series B, especialização em Análise de Sistemas pela Analista de
vol. 29 (1), pp.115-125, 1967. Sistemas (1970), mestrado em Engenharia de Sistemas e
[8] H.F. Huddleston, P.L. Claypool and R.R. Hocking, “Optimal Sample Computação pela Universidade Federal do Rio de
Allocation to Strata Using Convex Programming”, Journal of the Royal Janeiro(1982) e doutorado em Engenharia de Sistemas e
Statistical Society, Series C, vol. 19 (3), pp. 273- 278,1970. Computação pela Universidade Federal do Rio de
[9] L. Kish, “ Optima and Proxima in Linear Sample Designs”, Journal of Janeiro(1992). Atualmente é Professor Adjunto da Universidade Federal do
the Royal Statistical Society, Series A, vol. 139 (1), pp. 80-95, 1976. Rio de Janeiro, Revisor de periódico da Pesquisa Operacional, Membro de
[10] J. Bethel,“An Optimum Allocation Algorithm for Multivariate Surveys”, corpo editorial da Revista de Matemática: Teoria y Aplicaciones, Revisor de
Proceedings of the Survey Research Methods Section of the American periódico da International Transactions in Operational Research, Revisor de
Statistical Association, pp. 209-212, 1985. periódico da Revista de Matemática: Teoria y Aplicaciones, Membro de corpo
[11] J. Bethel, “Sample Allocation in Multivariate Surveys”, Survey editorial da Investicacion Operativa, Revisor de periódico da Investicacion
Methodology, vol 15 (1), pp. 47-57, 1989. Operativa, Revisor de periódico da Computational and Applied Mathematics,
[12] J. Chromy, “Design Optimization with Multiple Objectives”. Revisor de periódico da Mathematical Problems in Engineering, Revisor de
Proceedings of the Survey Research Methods Section of the American periódico da INFORMATICA (Lithuania) e Revisor de periódico da
Statistical Association, pp. 194-199, 1987. Optimization (Print). Tem experiência na área de Matemática, com ênfase em
[13] R. Valliant and J.E. Gentle, “An Application of Mathematical
Modelos e Algoritmos em Programação Matemática. Atuando principalmente
Programming to Sample Allocation”, Computational Statistics & Data
Analysis, vol. 25, pp. 337-360, 1997. nos seguintes temas:Penalização Hiperbólica, Otimização, Programação Não-
[14] M.G.M. Khan and M.J. Ahsan, “A note on optimum allocation in Linear, Métodos dos Multiplicadores. http://lattes.cnpq.br/6653416458352062
multivariate stratified sampling”, S.Pac. Journal Nat. Sci, vol. 21, pp. 91-95,
2003.
[15] J.A.D. Garciá and L.U. Cortez, “Optimum Allocation in Multivariate
Stratified Sampling: Multi-Objective Programming”, Comunicaciones Del
Cimat, no I-06-07/28-03-2006, 2006.
[16] M. Kozak, “Multivariate Sample Allocation: Application of Random
Search Method”, Statistics in Transition, vol. 7 (4), pp. 889-900, 2006.
[17] C.D.Day, “A Multi-Objective Evolutionary Algorithm for Multivariate
Optimal Allocation”, Proceedings of the Survey Research Methods Section of
the American Statistical Association, 2010.
[18] M.V. Ismail, K. Nasser, and Q.S. Ahmad, “Solution of a Multivariate
Stratified Sampling Problem through Chebyshev´s Goal Programming”,
Pak.J.Stat.Oper.Res, vol. 7 (1), pp. 101-108, 2011.
[19] M. F. Khan, I. Ali, Y.S. Raghav and A. Bari, “Allocation in Multivariate
Stratified Surveys with Non-linear Random Cost Function”, American
Journal of Operations Research, vol. 2, pp. 100-105, 2012.
[20] R. Varshey, M.G.M. Khan, U. Fatima, and M.J. Ahsan, “Integer
Compromise Allocation in Multivariate Stratified Surveys”, Annals of
Operations Research, vol. 226, pp. 659-668, 2015.
[21] J.A.M. Brito, P.L.N Silva, G.S. Semaan and N. Maculan, “Integer
Programming Formulations Applied to Optimal Allocation in Stratified
Sampling”, Survey Methodology, vol. 41 (2),pp. 427-442, 2015.
[22] M.S.Bazaraa, H. D. Sherali and C. M. Shetty, “Nonlinear Programming:
Theory and Algorithms”, 3rd Edition, Wiley, 2006.
[23]G. Barcaroli, “SamplingStrata: An R Package for the Optimization of
Stratified Sampling”, Journal of Statistical Software, 61 (4), pp. 1-24, 2014.