Escolar Documentos
Profissional Documentos
Cultura Documentos
Antes de tudo, deixe eu me apresentar. Meu nome é Alexander Cascardo Carneiro, sou
formado em Engenharia de Telecomunicações pela Universidade Federal Fluminense
(UFF), Mestre em Sistemas de Comunicações Óticas e Doutor em Ótica Aplicada
também pela UFF. Leciono em disciplinas do curso de Administração e Engenharia de
Produção na Universidade Salgado de Oliveira (UNIVERSO) há alguns anos, tanto em
aulas presenciais quanto no ensino à distância. Já atuei em diversos projetos, como nos
Sistemas de Operações para Telecomunicações e Redes, Sistemas de Operações para
Redes Elétricas Inteligentes (smart grid), Sistemas de Operações para o Monitoramento
de Estruturas Inteligentes (smart structures) e Sistemas de Operações para Automação
Industrial e Agrícola.
1
SUMÁRIO
2
CAPÍTULO 6 – ANÁLISE DE DECISÃO E TEORIA DOS JOGOS (PG. 306)
1-Tomada de Decisão sob Certeza
2-Tomada de Decisão sob Risco
3-Tomada de Decisão sob Incerteza
4-Teoria dos Jogos
3
CAPÍTULO 1 – PROGRAMAÇÃO LINEAR
Comentários do professor
Caros alunos, nesse capítulo inicial do nosso curso de Pesquisa Operacional
faremos uma análise do contexto sócio histórico que propiciou o seu surgimento. A partir
daí poderemos entender melhor o seu conceito e o seu objeto de estudo. Além disso, será
explicado como a Pesquisa Operacional pode ser utilizada como ferramenta na tomada
de decisão. Finalmente, será apresentada a modelagem de problemas por Programação
Linear e uma forma de solução através do método gráfico.
4
AULA 1 – INTRODUÇÃO À
PESQUISA OPERACIONAL
6
Os impactos da Pesquisa Operacional
A PO pode ser entendida como uma ciência aplicada que utiliza técnicas
científicas conhecidas (ou as desenvolve quando necessário), tendo como ponto de
referência a aplicação do método científico.
7
Assim, os principais aspectos da PO podem ser resumidos em:
Alguns dos principais assuntos a serem tratados nesse curso e suas respectivas
áreas de aplicação estão indicados a seguir:
8
AULA 2 – MODELAGEM
MATEMÁTICA
9
A solução de um problema pode então ser extraída de um modelo, seja por meio
de experimentação (modelos numéricos), seja mediante análise matemática (modelos
analíticos).
Sujeito a restrições
10
Algumas das técnicas mais conhecidas pela PO para a solução de problemas são:
11
Fases para a construção de um modelo
1. Formulação do Problema.
2. Construção do Modelo.
3. Obtenção da Solução.
4. Teste do Modelo e da Solução Obtida.
5. Implementação da Solução.
Formulação do Problema:
Nessa fase os gerentes do projeto deverão discutir o problema da forma mais clara
e coerente possível, além de definir o escopo do projeto, os objetivos a serem alcançados
e quais são os possíveis caminhos a se seguir.
12
É importante observar que os problemas reais surgem de forma vaga e imprecisa.
Isso exige dos analistas de PO uma grande capacidade de assimilar e sistematizar as
situações reais. Para se formular um problema é necessário que o mesmo seja bem
identificado.
Construção do Modelo:
13
Um modelo matemático de um problema real é a sua representação através de
expressões matemáticas, que descrevem a essência do problema. Algumas
características desse modelo são:
Vale ressaltar que não necessariamente deva existir um único modelo “correto”
para um problema real. A partir do teste do modelo (que ocorre na fase de Teste do
Modelo e da Solução Obtida) criam-se novos modelos, os quais fornecem representações
cada vez melhores do problema (cada vez mais próxima da realidade). É possível ainda
que dois ou mais tipos complementares (e diferentes) de modelos sejam desenvolvidos (e
utilizados) na análise de um mesmo problema.
14
Obtenção da Solução:
Variáveis controladas (ou de controle ou de decisão): são aquelas cujo valor está
sob o controle do administrador. Cabe a ele decidir um particular valor a cada
uma dessas variáveis. Os valores das variáveis de decisão que maximizem (ou
minimizem) a função objetivo é chamada de “solução ótima”. Em uma
programação da produção, uma possível variável a ser controlada é a quantidade
a ser produzida de certo produto em um período de tempo.
Variáveis não controladas: são aquelas cujos valores são arbitrados por sistemas
fora do controle do administrador. Por exemplo, custos de produtos ou insumos,
demanda de produtos e preços de mercado.
15
Teste do Modelo e da Solução Obtida:
Deve-se destacar que o bom modelo é aquele que tem um desempenho que mais
se aproxima da realidade. O modelo deve ser frequentemente testado, comparando-o
com os resultados reais a fim de se chegar o mais próximo possível dessa realidade. O
processo de teste e aperfeiçoamento de um modelo para aumentar a sua validade é
denominado validação do modelo.
A fase de teste pode indicar deficiências exigindo correções do modelo, seja pelo
refinamento de algum aspecto, ou pela consideração de algum aspecto omitido ou ainda
permitir simplificações do modelo. Em qualquer caso, é preciso retornar à fase de
Formulação do Problema para aplicar essas alterações.
Implementação da Solução:
Por outro lado, deve-se preparar a equipe que irá utilizar os resultados,
procurando-se o entrosamento com a equipe de operação, bem antes da fase de
implementação. A participação mais efetiva de quem irá utilizar os resultados desde as
fases de formulação e modelagem contribuirá para o sucesso da implementação dos
resultados obtidos.
16
É importante ainda continuar a obter feedback de como o sistema vem se
comportando ao longo de todo o período no qual o novo sistema está sendo utilizado
(verificando se as suposições do modelo continuam sendo satisfeitas). Quando ocorrerem
desvios significativos das suposições iniciais, o modelo deve ser revisto e alterado
(retornando-se para a fase de Formulação do Problema).
17
AULA 3 – MODELAGEM COM
PROGRAMAÇÃO LINEAR
A Programação Linear (PL) busca a melhor solução para problemas que tenham
seus modelos representados por expressões lineares. A sua grande aplicabilidade e
simplicidade devem-se a linearidade do modelo. As aplicações podem ser em vários
campos das áreas científicas ou sociais, tais como administração da produção, análise
de investimento, controle de estoque, economia, logística e etc.
A Programação Linear é um dos mais populares modelos matemáticos
estruturados utilizados para resolver problemas contendo variáveis que podem ser
medidas e cujos relacionamentos são expressos por meio de equações e/ou inequações
lineares.
18
A tarefa da PL consiste na maximização ou minimização de uma função linear,
denominada função objetivo, respeitando-se um sistema linear de igualdades ou
desigualdades, que recebem o nome de restrições. As restrições determinam uma região,
que contém as soluções viáveis. O objetivo da Programação Linear é determinar a
solução ótima, que consiste na solução que irá maximizar ou minimizar a função
objetivo.
Sujeito às restrições:
𝑔1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑏
≤ 1
𝑔2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑏
}={ 2
⋮ ⋮
≥
𝑔𝑚 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑏𝑚
Em que:
𝑓 (𝑋) = 𝑓 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑐1 𝑥1 + 𝑐2𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
𝑔𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛
𝑖 = 1,2, … , 𝑚
Sujeito às restrições:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑚
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0
20
Ou seja, um problema de PL na forma padrão visa maximizar a função objetivo,
sujeito a restrições de menor ou igual (limitadas por 𝑏𝑗 ), em que as variáveis de decisão
possuem valores não negativos.
Max 𝑍 = ∑ 𝑐𝑗 𝑥𝑗
𝑗=1
Sujeito às restrições:
𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖
𝑗=1
𝑖 = 1,2, … , 𝑚
É importante observar que a forma padrão pode não ser útil em alguns problemas
de PL. Em outras palavras, existem outras formas para os modelos de PL que não são a
forma padrão, como:
É importante observar que qualquer problema que mescle pelo menos uma dessas
formas com as partes remanescentes da forma padrão também será um problema de PL.
21
Formulação do modelo de Programação Linear
Com respeito à função objetivo, a PL busca a melhor alternativa com o que se tem
disponível, ou seja, procura maximizar algo (como lucro ou eficiência) ou minimizar
alguma coisa (como custo ou tempo). A maximização do valor do lucro total (que é igual
aos retornos menos os custos) é a função objetivo mais comum nos modelos de PL.
É importante destacar que não existe uma única regra para a construção do
modelo matemático. Entretanto, a maioria dos problemas de Programação Linear segue
um roteiro que possui tipicamente as seguintes etapas:
22
Deve-se ressaltar que é possível haver alguma variável de decisão assumindo
valores negativos (por exemplo, a taxa de inflação). Nesse caso, a variável de decisão é
dita “irrestrita em sinal”.
Exemplo 1:
23
Solução:
Sabe-se que o lucro com a venda de B1 é dado por 20𝑥1 e que o lucro com a venda
de B2 é 35𝑥2 . Assim, o lucro total é:
𝐿(𝑥1 , 𝑥2 ) = 20𝑥1 + 35𝑥2
3-Determinar as restrições:
2𝑥1 + 4𝑥2 ≤ 24
𝑥1 ≤ 8
𝑥2 ≤ 4
Sujeito às restrições:
2𝑥1 + 4𝑥2 ≤ 24
𝑥1 ≤ 8
𝑥2 ≤ 4
𝑥1 , 𝑥2 ≥ 0
24
Existem duas observações importantes sobre a solução desse problema.
Em primeiro lugar, seria possível tentar obter os valores das variáveis por meio
de “tentativa e erro” (uma análise qualitativa do problema). Note que quanto maior for
o valor de 𝑥1 e de 𝑥2 , maior será o lucro. As duas alternativas que maximizam os valores
de 𝑥1 e de 𝑥2 , e que estão dentro das restrições são:
1. 𝑥1 = 8 e 𝑥2 = 2 (maximizar 𝑥1 )
2. 𝑥2 = 4 e 𝑥1 = 4 (maximizar 𝑥2 )
Uma outra observação sobre esse problema é que ele poderia ser solucionado por
meio da Teoria das Restrições (consulte a aula 19 do curso de Planejamento e Controle
da Produção do meu canal do YouTube). Como B1 possui o maior lucro por hora, ele deve
ser maximizado.
Exemplo 2:
3-Determinar as restrições:
Cada unidade de ração A (𝑥1 ) utiliza 5 kg de cereal, enquanto a ração B (𝑥2 ) utiliza
2 kg. Portanto, a restrição para os cereais é:
5𝑥1 + 2𝑥2 ≤ 30.000
Além disso, cada unidade de ração A (𝑥1 ) utiliza 1 kg de carne, enquanto a ração
B (𝑥2 ) utiliza 4 kg. Portanto, a restrição para a carne é:
𝑥1 + 4𝑥2 ≤ 10.000
26
O modelo na forma padrão pode ser escrito como:
Max 𝐿(𝑥1 , 𝑥2 ) = 11𝑥1 + 12𝑥2
Sujeito às restrições:
5𝑥1 + 2𝑥2 ≤ 30.000
𝑥1 + 4𝑥2 ≤ 10.000
𝑥1 , 𝑥2 ≥ 0
Administração da produção;
Análise de investimento;
Alocação de recursos limitados;
Planejamento regional e urbano;
Logística de transporte;
Localização da rede de abastecimento e distribuição;
Alocação de recursos energéticos.
Como pode ser observado, existem diversas áreas nas quais os modelos de PL
podem ser utilizados. Tal qual discutido na seção anterior, a modelagem de um problema
via PL pode ser obtida em 4 etapas: 1-Definir as variáveis de decisão; 2-Formular a
função objetivo; 3-Determinar as restrições; 4-Não negatividade das variáveis de
decisão.
27
Nos problemas de PL “do mundo real” a definição das variáveis de decisão e a
construção da função objetivo e das restrições não são tão simples. Por conta disso, para
uma exemplificação mais realista dos problemas de PL, essa seção trará alguns
exemplos de áreas abrangidas por essas aplicações:
1. Planejamento urbano.
2. Planejamento da produção e controle de estoque.
3. Mix de produção.
Planejamento Urbano:
O prefeito de uma cidade pode, por exemplo, condenar uma área antiga da cidade
para dar lugar a um projeto habitacional de alto padrão, visando aumentar a
arrecadação de impostos. O exemplo a seguir ilustra essa situação.
O projeto foi dividido em duas fases: 1-Demolição das casas que estão aquém do
padrão para liberar terreno para o novo projeto; 2-Construção do novo conjunto urbano.
28
Ao analisar a situação, chegou-se aos seguintes dados:
1. Um total de 300 casas aquém do padrão podem ser demolidas. Cada casa ocupa
um lote de 250 m2. O custo da demolição de uma casa condenada é de R$ 2.000,00.
2. Os tamanhos de lotes para domicílios (unidades) são divididos em: simples,
duplos, triplos e quádruplos, com áreas de 180 m2, 280 m2, 400 m2, e 500 m2,
respectivamente. Além disso, ruas, espaços abertos e instalações públicas ocupam
15% da área disponível.
3. No novo conjunto habitacional, as unidades triplas e quádruplas juntas devem
representar no mínimo 25% do número total de unidades. Já as unidades simples
devem representar no mínimo 20% de todas as unidades, e as unidades duplas no
mínimo 10%.
4. O imposto cobrado por unidade para as unidades simples, duplas, triplas e
quádruplas é de R$ 1.000,00, R$ 1.900,00, R$ 2.700,00 e R$ 3.400,00,
respectivamente.
5. O custo de construção por unidade domiciliar simples, dupla, tripla e quádrupla
é de R$ 50.000,00, R$ 70.000,00, R$ 130.000,00 e R$ 160.000,00, respectivamente.
O financiamento acordado com o banco local será de no máximo R$ 15 milhões.
Solução:
29
2-Formular a função objetivo:
3-Determinar as restrições:
É importante observar que existe uma ocupação de 15% dessa área com ruas,
espaços abertos e instalações públicas. Portanto, a área líquida disponível será 85% da
área disponível:
A restrição resultante é:
A segunda restrição diz respeito ao número de casas demolidas que não pode
ultrapassar o número de casas antigas (ou seja, deve ser menor ou igual a 300):
𝑥5 ≤ 300
30
As próximas restrições estão associadas aos limites de número de cada tipo de
casa. O número total de unidades é dado por:
Número total de unidades = 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4
Número de unidades duplas (𝑥2 ) não devem ser inferior a 10% do total.
Número de unidades triplas e quádruplas (𝑥3 + 𝑥4 ) não devem ser inferior a 25%
do total.
𝑥1 ≥ 0,2 ∙ (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
𝑥2 ≥ 0,1 ∙ (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
𝑥3 + 𝑥4 ≥ 0,25 ∙ (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 )
31
Com isso, o modelo completo se torna:
Max 𝑍 = 1.000𝑥1 + 1.900𝑥2 + 2.700𝑥3 + 3.400𝑥4
Sujeito às restrições:
180𝑥1 + 280𝑥2 + 400𝑥3 + 500𝑥4 − 212,5𝑥5 ≤ 0
𝑥5 ≤ 300
−0,8𝑥1 + 0,2𝑥2 + 0,2𝑥3 + 0,2𝑥4 ≤ 0
0,1𝑥1 − 0,9𝑥2 + 0,1𝑥3 + 0,1𝑥4 ≤ 0
0,25𝑥1 + 0,25𝑥2 − 0,75𝑥3 − 0,75𝑥4 ≤ 0
50𝑥1 + 70𝑥2 + 130𝑥3 + 160𝑥4 + 2𝑥5 ≤ 150.000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
32
A tabela a seguir apresenta os dados para a produção da confecção.
Solução:
𝑥1 = número de parcas
𝑥3 = número de calças
A multa total é uma função das quantidades não fornecidas (ou seja, é igual a
demanda menos quantidade do produto). Por exemplo, se forem produzidas 650 parcas
(𝑥1 = 650), significa que houveram 800 – 650 = 150 parcas que não foram entregues. Isso
representa uma multa de 15 ∙ 150 = R$ 2.250,00.
33
Para um caso geral, a multa proveniente da não entrega de parcas é dada por:
Multa pelas parcas = 15 ∙ (800 − 𝑥1 )
Simplificando:
Multa total = 12.000 − 15𝑥1 + 15.000 − 20𝑥2 + 6.000 − 10𝑥3 + 4.000 − 8𝑥4
Multa total = 37.000 − 15𝑥1 − 20𝑥2 − 10𝑥3 − 8𝑥4
Logo:
𝑍 = Lucro total − Multa total
𝑍 = 30𝑥1 + 40𝑥2 + 20𝑥3 + 10𝑥4 − (37.000 − 15𝑥1 − 20𝑥2 − 10𝑥3 − 8𝑥4 )
𝑍 = 45𝑥1 + 60𝑥2 + 30𝑥3 + 18𝑥4 − 37.000
3-Determinar as restrições:
34
Com isso, o modelo completo se torna:
Max 𝑍 = 45𝑥1 + 60𝑥2 + 30𝑥3 + 18𝑥4 − 37.000
Sujeito às restrições:
𝑥1 ≤ 800
𝑥2 ≤ 750
𝑥3 ≤ 600
𝑥4 ≤ 500
0,30𝑥1 + 0,30𝑥2 + 0,25𝑥3 + 0,15𝑥4 ≤ 1.000
0,25𝑥1 + 0,35𝑥2 + 0,30𝑥3 + 0,10𝑥4 ≤ 1.000
0,45𝑥1 + 0,50𝑥2 + 0,40𝑥3 + 0,22𝑥4 ≤ 1.000
0,15𝑥1 + 0,15𝑥2 + 0,10𝑥3 + 0,05𝑥4 ≤ 1.000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
35
Solução:
Em outras palavras:
O custo total é igual a soma entre o custo de produção e o custo com estoque:
Custo total = Custo de produção + Custo com estoque
Considere que não existe estoque inicial (no início do mês 1). Nesse caso, o estoque
final do mês 1 será dado por:
Estoque mês 1 = 𝑥1 − Demanda do mês 1
Estoque mês 1 = 𝑥1 − 100
Observe que o estoque no final do mês 1 representa o estoque inicial para o mês
2, assim:
Estoque mês 2 = Estoque mês 1 + 𝑥2 − Demanda do mês 2
Estoque mês 2 = 𝑥1 − 100 + 𝑥2 − 250 = 𝑥1 + 𝑥2 − 350
Para o mês 4:
Estoque mês 4 = Estoque mês 3 + 𝑥4 − Demanda do mês 4
Estoque mês 4 = 𝑥1 + 𝑥2 + 𝑥3 − 540 + 𝑥4 − 140 = 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 − 680
Custo com estoque mês 4 = 8 ∙ (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 − 680)
Assim, o custo total com estoque é a soma dos custos com estoque de cada mês:
Custo com estoque = 8 ∙ (𝑥1 − 100) + 8 ∙ (𝑥1 + 𝑥2 − 350) + 8 ∙ (𝑥1 + 𝑥2 + 𝑥3 − 540) +
+8 ∙ (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 − 680)
Custo com estoque = 32𝑥1 + 24𝑥2 + 16𝑥3 + 8𝑥4 − 13.360
3-Determinar as restrições:
Como não pode faltar janelas em cada mês, as quantidades de janelas produzidas
somadas ao estoque do período anterior devem ser sempre maiores do que a demanda.
Logo:
𝑥1 ≥ 100
𝑥2 + 𝑥1 − 100 ≥ 250
𝑥3 + 𝑥1 + 𝑥2 − 350 ≥ 190
𝑥4 + 𝑥1 + 𝑥2 + 𝑥3 − 540 = 140
Observe que no mês 4 utilizou-se um sinal de igualdade, uma vez que não é
necessário que haja unidades além da demanda no último mês (que geraria um estoque
para o período seguinte, o qual representaria uma elevação no custo total).
37
Simplificando e reorganizando as restrições:
𝑥1 ≥ 100
𝑥1 + 𝑥2 ≥ 350
𝑥1 + 𝑥2 + 𝑥3 ≥ 540
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 680
Sujeito às restrições:
𝑥1 ≥ 100
𝑥1 + 𝑥2 ≥ 350
𝑥1 + 𝑥2 + 𝑥3 ≥ 540
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 680
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
Mix de produção:
38
Exemplo 6 (Modelo de produção considerando diferentes recursos):
Modelos
Recursos A B C
Mão-de-obra (horas por unidade) 7 4 3
Material (kg por unidade) 4 4 5
Lucro (R$ por unidade) 4 2 3
Solução:
39
3-Determinar as restrições:
Sujeito às restrições:
7𝑥1 + 4𝑥2 + 3𝑥3 ≤ 150
4𝑥1 + 4𝑥2 + 5𝑥3 ≤ 200
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Observe que até a presente seção foram estudadas apenas as fases de Formulação
do Problema e Construção do Modelo. A partir da próxima seção, será apresentada a
fase de Obtenção da Solução para problemas de Programação Linear.
40
Os passos para obtenção da solução pelo método gráfico são:
Sujeito a:
2𝑥1 + 4𝑥2 ≤ 16 (1)
𝑥1 ≤ 4 (2)
𝑥2 ≤ 3 (3)
𝑥1 , 𝑥2 ≥ 0 (4)
41
A restrição 1 também deve ser representada como uma reta. Para isso, deve-se
isolar o termo 𝑥2 dessa inequação:
2𝑥1 + 4𝑥2 ≤ 16
4𝑥2 ≤ 16 − 2𝑥1
16 − 2𝑥1
𝑥2 ≤
4
𝑥1
𝑥2 ≤ 4 −
2
Adicionando essa reta ao plano cartesiano obtém-se a região permissível, que
contém as soluções viáveis do problema.
Observe que cada um dos prontos críticos (são os extremos) está em destaque na
figura: A(0,0); B(4,0); C(4,2); D(2,3) e E(0,3). O ponto A(0,0) é a solução óbvia que já foi
calculada anteriormente. Note também que cada ponto crítico representa a interseção
entre duas retas (entre duas funções, entre uma função e um eixo, ou entre dois eixos).
42
A partir daí é preciso calcular o valor da função objetivo para cada um desses
pontos críticos:
Logo, como o maior valor encontrado foi 𝐿(4,2) = 38, a solução ótima para este
problema de PL é 𝑥1 = 4 e 𝑥2 = 2.
Exemplo 7:
Max 𝑧 = 5𝑥1 + 4𝑥2
Sujeito a:
6𝑥1 + 4𝑥2 ≤ 24 (1)
𝑥1 + 2𝑥2 ≤ 6 (2)
−𝑥1 + 𝑥2 ≤ 1 (3)
𝑥2 ≤ 2 (4)
𝑥1 , 𝑥2 ≥ 0 (5)
43
Em primeiro lugar deve ser calculado o valor de 𝑧 (função objetivo) para 𝑥1 = 0 e
𝑥2 = 0, isto é, a “solução óbvia”:
𝑧(0,0) = 5 ∙ 0 + 4 ∙ 0 = 0
Para a restrição 1:
6𝑥1 + 4𝑥2 ≤ 24
4𝑥2 ≤ 24 − 6𝑥1
3𝑥1
𝑥2 ≤ 6 −
2
Para a restrição 2:
𝑥1 + 2𝑥2 ≤ 6
2𝑥2 ≤ 6 − 𝑥1
𝑥1
𝑥2 ≤ 3 −
2
Para a restrição 3:
−𝑥1 + 𝑥2 ≤ 1
𝑥2 ≤ 1 + 𝑥1
44
Os pontos críticos são: A(0 , 0); B(4 , 0); C(3 , 1,5), D(2 , 2), E(1 , 2) e F(0 , 1).
45
A partir daí é preciso calcular o valor da função objetivo para cada um desses
pontos críticos:
Naturalmente será preciso introduzir uma abordagem mais robusta, que seja
capaz de solucionar qualquer tipo de problema de PL. Uma solução conhecida, que será
tratada na próxima seção, é o método Simplex. A partir do método Simplex é possível
encontrar a solução do problema de PL para qualquer que seja o número de variáveis de
decisão (contudo, ele é mais complexo do que o método gráfico).
46
Em termos mais gerais, a linearidade pode ser caracterizada por certas
propriedades aditivas e multiplicativas:
Por exemplo, se são necessárias 𝑥1 horas sobre uma máquina A para fazer o
produto 1 e 𝑥2 horas para fazer o produto 2, o tempo sobre a máquina A destinado
aos produtos 1 e 2 é 𝑥1 + 𝑥2 . Nesse caso, a propriedade aditiva parece bastante
razoável, desde que o tempo requerido para ajustar a máquina para uma operação
diferente (tempo de setup) quando a produção troca de um produto para outro
seja desprezível (caso contrário, esse tempo será maior). É importante observar
que nem todos os processos possuem a propriedade aditiva. Por exemplo, ao se
misturar vários líquidos de diferentes composições químicas nem sempre o
volume total da mistura é a soma dos volumes dos constituintes individuais.
A propriedade multiplicativa requer que: 1-Se for necessário uma hora de uma
determinada máquina para fazer um único item, serão necessárias dez horas para
fazer dez itens (isso nem sempre é verdadeiro; por exemplo, se considerarmos uma
curva de aprendizagem, os operadores tendem a fabricar os itens cada vez mais
rápido); 2-O lucro total da venda de um dado número de unidades de um produto
é o lucro unitário vezes o número de unidades vendidas (isso também nem sempre
é verdadeiro; em geral, o lucro não é diretamente proporcional ao número de
unidades vendidas, mesmo se o preço de venda é constante, uma vez que os custos
de fabricação por unidade tendem a diminuir conforme a quantidade produzida
aumenta – isso é denominado “economia de escala”).
Além disso, nos modelos de PL, os coeficientes são considerados como constantes
e conhecidos, o que nem sempre condiz com a realidade (na qual esses coeficientes são
normalmente aleatórios e imprevisíveis). Em um primeiro momento nós tenderíamos a
acreditar que a única forma de modelar essas situações reais seria utilizando modelos
probabilísticos. Contudo, a Programação Linear fornece técnicas de Análise de
Sensibilidade, através da qual é possível obter os intervalos desses coeficientes em que
a solução ótima não se altera.
48
(2) IBFC - 2017 - EBSERH - Analista Administrativo
A. Divisibilidade
B. Certeza
C. Proporcionalidade
D. Aditividade
E. Neutralidade
A. Aditividade
B. Certeza
C. Divisibilidade
D. Exponenciação
E. Proporcionalidade
49
(4) ENADE 2014 – Engenheiro de Produção
Sabe-se que:
A. X1 = 0; X2 = 0
B. X1 =0; X2 = 4000
C. X1 = 3000 e X2 = 4000
D. X1 = 3000 e X2 = 3000
E. X1 = 1000 e X2 = 4000
50
(5) ENADE 2011 – Engenheiro de Produção
Uma indústria que trabalha sob encomenda quer definir a política ótima de produção
para os próximos quatro trimestres.
Os pedidos colocados em carteira (demanda) bem como os custos fixos de setup (K) e os
custos unitários de produção (c) e estoques (h) são apresentados na tabela a seguir
51
(6) ENADE 2008 – Engenheiro de Produção
Os custos de fabricação do produto final a partir do suco primário são idênticos, não
importando o tipo de suco. Para produzir um tambor de produto final, é necessário um
tambor de suco primário. Para definir a quantidade de cada tipo de suco primário que a
indústria deve usar na mistura, o gerente montou um modelo de programação linear,
denominado “problema da mistura” ( blending problem), descrito a seguir.
Variáveis de decisão: Xij – quantidade (em tambores) de suco primário do tipo i para
produzir o produto final j (i = G, P; j = N, E).
Minimizar
52
Considerando as informações apresentadas, as equações de (1) a (7) e o conjunto de
equações (8), julgue os próximos itens:
II. As equações (2) e (3) significam que as demandas por cada tipo de produto acabado
serão plenamente atendidas.
III. A equação (5) representa a restrição de mistura para o produto tipo europeu fino,
que deve ter concentração de açúcar de, no máximo, 80.
IV. A equação (6) representa a restrição de mistura para o produto tipo normal, que deve
ter teor de mistura de acidez de, no máximo, 2%;
V. A equação (7) representa a restrição de mistura para o produto tipo normal, que deve
ter teor de acidez, de no mínimo, 1%.
A. I, II e III
B. I, II e IV
C. I, III e V
D. II, IV e V
E. III, IV e V
53
(7) ENADE 2005 – Engenheiro de Produção
Uma pequena empresa fabrica apenas os produtos X e Y, em uma única máquina, que
funciona durante 40 horas por semana. O gerente decidiu rever seu mix de produção
(quantidade fabricada de cada produto) porque tinha a sensação de estar fazendo algo
errado e achava que poderia, de alguma maneira, aumentar seu lucro. Para isso, pediu
ajuda a um engenheiro de produção, que fez diversas entrevistas e resumiu os dados
adicionais, relevantes para o problema, na tabela abaixo.
O gerente explicou ao engenheiro que havia adotado o mix de produção atual porque
acreditava ser mais interessante fabricar e vender o máximo possível do produto de
maior margem de contribuição para o lucro e usar o resto da capacidade para produzir
e vender o máximo possível do outro produto de menor margem de contribuição. O
engenheiro explicou ao gerente que essa hipótese poderia levar a um mau resultado e
que seria necessário examinar melhor os “gargalos de lucro”, ou seja, as restrições que
poderiam efetivamente estar limitando o lucro.
Com base exclusivamente na situação acima, faça o que se pede nos itens a seguir,
explicando os cálculos necessários:
54
(8) CESGRANRIO - 2018 - Petrobrás - Engenheiro de Produção Júnior
55
(9) CESGRANRIO - 2010 - IBGE - Engenheiro de Produção
56
(10) CESGRANRIO - 2012 - Petrobras - Engenheiro de Produção Júnior
A. 0
B. 9
C. 17
D. 18
E. 20
Min Z = 2x1 – x2
Sujeito a
-x1 + x2 ≤ 3
2x1 – x2 ≤ 6
x1 ≥ 0
x2 ≥ 0
A. x1 = 0 e x2 = 1
B. x1 = 0 e x2 = 3
C. x1 = 1 e x2 = 0
D. x1 = 1 e x2 = 4
E. x1 = 3 e x2 = 0
57
(12) CESGRANRIO - 2014 - EPE - Analista de Pesquisa Energética
Uma empresa planeja produzir dois tipos especiais de óleo que utilizam três tipos de
matéria-prima de alto custo. A Tabela abaixo mostra a quantidade de matéria-prima
consumida na produção de cada tipo de óleo e a disponibilidade total de cada matéria-
prima na semana prevista para a produção.
Considerando que tudo que é produzido é vendido, o lucro unitário por litro de óleo
pesado é de R$ 5,00 e o do litro de óleo leve é de R$ 3,50.
15x2 ≤ 10000
x1 ,x2 ≥ 0
B. max Z = 3,5 x1 + 5 x2
10 x1 + 8x2 ≥ 8000
8x1 + 16x2 ≥ 12000
15x2 ≥ 10000
x1 ,x2 > 0
10x1+ 8x2 = 8
8x1 + 16x2 = 12
15x2 = 10
x1 ,x2 > 0
8x1 + 16x2 = 12
15x2 = 10
x1 ,x2 ≥ 0
10x1 + 8x2 ≥ 8
8x1 + 16x2 ≥ 12
15x2 ≥ 10
x1 ,x2 ≥ 0
GABARITO
(7) a) As restrições (ou gargalos) que limitam o lucro semanal são a capacidade de
produção semanal (de 40 horas) e a demanda por produto (de 50 unidades para X e de
100 unidades para Y).
Sujeito às restrições:
𝑥1 + 0,2𝑥2 ≤ 40
𝑥1 ≤ 50
𝑥2 ≤ 100
𝑥1 , 𝑥2 ≥ 0
59
CAPÍTULO 2 – MÉTODO SIMPLEX E DUALIDADE
1-Método Simplex
2-Dualidade
3-Análise de Sensibilidade
Comentários do professor
Caros alunos, esse capítulo tem por finalidade demonstrar a solução de problemas
de PL por meio do método Simplex. Em seguida, será descrita as propriedades da
dualidade e como ela pode ser usada na solução de problemas de PL. Por fim, será
tratada a análise de sensibilidade, a partir da qual pode-se verificar os impactos que as
alterações no modelo de PL, seja no coeficiente da função objetivo ou nas restrições, têm
sobre a solução ótima do problema.
60
AULA 1 – MÉTODO
SIMPLEX
Vamos tomar o modelo que apresenta uma solução básica inicial. Suponhamos
que a função objetivo seja de maximização, que os modelos possuam restrições ≤ (menor
ou igual) e os termos da direita sejam não negativos (positivos ou iguais a zero), então
existe uma solução básica formada pelas variáveis de folga.
Exemplo:
Max 𝐿 = 3𝑥1 + 5𝑥2
Sujeito às restrições:
2𝑥1 + 4𝑥2 ≤ 10
6𝑥1 + 𝑥2 ≤ 20
𝑥1 − 𝑥2 ≤ 30
𝑥1 , 𝑥2 ≥ 0
61
Primeiro vamos transformar o sistema de inequações em um sistema de equações
com variáveis não negativas. Para isso, introduziremos em cada uma das inequações as
variáveis 𝐹1 , 𝐹2 e 𝐹3 , que representam as folgas das inequações 1, 2 e 3, isto é, a diferença
entre o segundo (termo da direita) e o primeiro membro (termos da esquerda) dessas
inequações (cada folga representa o quanto o termo da direita é maior do que os termos
da esquerda, por isso ela será sempre não negativa).
Isso tem como resultado o sistema de equações com variáveis não negativas:
2𝑥1 + 4𝑥2 + 𝐹1 = 10
6𝑥1 + 𝑥2 + 𝐹2 = 20
𝑥1 − 𝑥2 + 𝐹3 = 30
𝑥1 , 𝑥2 , 𝐹1 , 𝐹2 , 𝐹3 ≥ 0
Este teste consiste em avaliar o efeito da permuta de uma variável básica por
outra não básica, com a consequente formação de uma nova solução. Se a entrada de
uma variável não básica puder melhorar o desempenho do sistema, a solução testada
não é ótima.
Esta avaliação é possível quando a função objetivo está escrita somente em termos
das variáveis não básicas.
62
Por outro lado, se o coeficiente de 𝑥1 ou de 𝑥2 fosse negativo, a entrada dessa
variável diminuiria o valor de 𝐿. Assim, conclui-se que enquanto a função objetivo
possuir variáveis não básicas com coeficientes positivos, ela poderá ser aumentada, e
portanto esta solução não é a solução ótima.
Note que os coeficientes que eram positivos à direita se tornam negativos quando
passados para a esquerda. Escrito dessa forma, a solução testada só será ótima quando
as variáveis não básicas apresentarem somente coeficientes positivos.
b) Variável que sai da base (isto é, que sai da solução básica): sai a variável que
primeiro se anula com a entrada da variável escolhida no item anterior (nesse caso 𝑥2 ).
Ela pode ser descoberta dividindo-se os termos da direita (𝑏) das restrições pelos
coeficientes positivos da variável que entra (coeficientes de 𝑥2 nas restrições). O menor
valor indica que variável 𝑥2 desta linha é a primeira a chegar a zero conforme ela
aumenta. Esses cálculos são conhecidos como teste da razão mínima. Dados:
2𝑥1 + 𝟒𝒙𝟐 + 𝐹1 = 10
6𝑥1 + 𝒙𝟐 + 𝐹2 = 20
𝑥1 − 𝒙𝟐 + 𝐹3 = 30
c) Elemento pivô:
L X1 X2 F1 F2 F3 b
Tabela 1 1 -3 -5 0 0 0 0
L1 F1 0 2 4 1 0 0 10
L2 F2 0 6 1 0 1 0 20
L3 F3 0 1 -1 0 0 1 30
Note que a linha pivô é a linha 1 (L1), e portanto a variável que sai será 𝐹1 . Além
disso, os coeficientes que entram na base são os de 𝑥2 , e o elemento pivô será 4.
L X1 X2 F1 F2 F3 b
Tabela 1 1 -3 -5 0 0 0 0
L1 F1 0 2 4 1 0 0 10 Sai (linha pivô)
L2 F2 0 6 1 0 1 0 20
L3 F3 0 1 -1 0 0 1 30
Entra na base
(coluna pivô)
Deve-se então dividir a linha pivô pelo elemento pivô, obtendo-se uma linha com
o pivô unitário:
L X1 X2 F1 F2 F3 b
Linha pivô 0 2 4 1 0 0 10
Dividido por 4 0 0,5 1 0,25 0 0 2,5 Nova linha pivô
Agora, cada uma das outras linhas deve ser reescrita da seguinte maneira:
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 0,5 1 0,25 0 0 2,5
Multiplicar por 5 0 2,5 5 1,25 0 0 12,5 (+)
Linha da função objetivo 1 -3 -5 0 0 0 0
Nova linha da função objetivo 1 -0,5 0 1,25 0 0 12,5
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 0,5 1 0,25 0 0 2,5
Multiplicar por (-1) 0 -0,5 -1 -0,25 0 0 -2,5 (+)
Linha 2 0 6 1 0 1 0 20
Nova linha 2 0 5,5 0 -0,25 1 0 17,5
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 0,5 1 0,25 0 0 2,5
Multiplicar por (1) 0 0,5 1 0,25 0 0 2,5 (+)
Linha 3 0 1 -1 0 0 1 30
Nova linha 3 0 1,5 0 0,25 0 1 32,5
L X1 X2 F1 F2 F3 b
Tabela 2 1 -0,5 0 1,25 0 0 12,5
L1 X2 0 0,5 1 0,25 0 0 2,5
L2 F2 0 5,5 0 -0,25 1 0 17,5
L3 F3 0 1,5 0 0,25 0 1 32,5
Observe que na linha 1 entrou 𝑥2 e saiu 𝐹1 . Note que a coluna da nova variável
básica (𝑥2 ) se tornou um vetor identidade. Com isso, chega-se a nova solução básica:
A função objetivo na nova solução está escrita em termos das variáveis não
básicas 𝑥1 e 𝐹1 . As variáveis básicas têm coeficientes nulos.
Observe que 𝑥1 possui o maior coeficiente negativo (e portanto ele deve entrar) na
base.
L X1 X2 F1 F2 F3 b b/X1
Tabela 2 1 -0,5 0 1,25 0 0 12,5
L1 X2 0 0,5 1 0,25 0 0 2,5 5,0
L2 F2 0 5,5 0 -0,25 1 0 17,5 3,18 Sai
L3 F3 0 1,5 0 0,25 0 1 32,5 21,67
Entra
Note que o menor valor positivo para a divisão entre o termo do lado direito e o
coeficiente de 𝑥1 ocorreu para a linha 2. Logo, 𝐹2 deve sair da base. Além disso, o
elemento pivô é 5,5.
A Nova linha pivô (linha pivô dividida por 5,5) é dada por:
L X1 X2 F1 F2 F3 b
Linha pivô 0 5,5 0 -0,25 1 0 17,5
Dividido por 5,5 0 1 0 -0,045 0,18 0 3,18 Nova linha pivô
O coeficiente da variável que entra (𝑥1 ) na linha da função objetivo é -0,5. Então:
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 1 0 -0,045 0,18 0 3,18
Multiplicar por 0,5 0 0,5 0 -0,02 0,091 0 1,59 (+)
Linha da função objetivo 1 -0,5 0 1,25 0 0 12,5
Nova linha da função objetivo 1 0 0 1,227 0,09 0 14,09
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 1 0 -0,045 0,18 0 3,18
Multiplicar por -0,5 0 -0,5 0 0,0227 -0,09 0 -1,59 (+)
Linha 1 0 0,5 1 0,25 0 0 2,5
Nova linha 1 0 0 1 0,273 -0,09 0 0,91
L X1 X2 F1 F2 F3 b
Nova linha pivô 0 1 0 -0,045 0,18 0 3,18
Multiplicar por -1,5 0 -1,5 0 0,068 -0,27 0 -4,77 (+)
Linha 3 0 1,5 0 0,25 0 1 32,5
Nova linha 3 0 0 0 0,318 -0,27 1 27,73
66
Reescrevendo a nova tabela com os resultados obtidos, temos:
L X1 X2 F1 F2 F3 b
Tabela 3 1 0 0 1,227 0,09 0 14,09
L1 X2 0 0 1 0,273 -0,09 0 0,91
L2 X1 0 1 0 -0,045 0,18 0 3,18
L3 F3 0 0 0 0,318 -0,27 1 27,73
Observe que na linha 2 entrou 𝑥1 e saiu 𝐹2 . Note que a coluna da nova variável
básica (𝑥1 ) se tornou um vetor identidade. Com isso, chega-se a nova solução básica:
A função objetivo na nova solução está escrita em termos das variáveis não
básicas 𝐹1 e 𝐹2 , pois os coeficientes das variáveis básicas são nulos (observe que os
coeficientes de 𝑥1 e de 𝑥2 são nulos na função objetivo).
67
Procedimento padrão para solução via Método Simplex
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 ≤ 40
2𝑥1 + 𝑥2 − 𝑥3 ≤ 20
3𝑥1 + 2𝑥2 − 𝑥3 ≤ 30
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Z X1 X2 X3 F1 F2 F3 b
Tabela 1 1 -2 -3 -1 0 0 0 0
L1 F1 0 1 1 1 1 0 0 40
L2 F2 0 2 1 -1 0 1 0 20
L3 F3 0 3 2 -1 0 0 1 30
Valor de Z: 𝑍 = 0
68
Passo 3: Teste da solução: A solução não é ótima, pois tem coeficientes negativos
na função objetivo.
Assim:
Z X1 X2 X3 F1 F2 F3 b b/X2
Tabela 1 1 -2 -3 -1 0 0 0 0
L1 F1 0 1 1 1 1 0 0 40 40
L2 F2 0 2 1 -1 0 1 0 20 20
L3 F3 0 3 2 -1 0 0 1 30 15 Sai
Entra
Elemento pivô: 2
Z X1 X2 X3 F1 F2 F3 b
Linha pivô 0 3 2 -1 0 0 1 30
Dividido por 2 0 1,5 1 -0,5 0 0 0,5 15 Nova linha pivô
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 1,5 1 -0,5 0 0 0,5 15
Multiplicar por 3 0 4,5 3 -1,5 0 0 1,5 45 (+)
Linha Z 1 -2 -3 -1 0 0 0 0
Nova linha Z 1 2,5 0 -2,5 0 0 1,5 45
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 1,5 1 -0,5 0 0 0,5 15
Multiplicar por -1 0 -1,5 -1 0,5 0 0 -0,5 -15 (+)
Linha 1 0 1 1 1 1 0 0 40
Nova linha 1 0 -0,5 0 1,5 1 0 -0,5 25
69
Cálculo da nova linha 2 (coeficiente da variável que entra = 1)
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 1,5 1 -0,5 0 0 0,5 15
Multiplicar por -1 0 -1,5 -1 0,5 0 0 -0,5 -15 (+)
Linha 2 0 2 1 -1 0 1 0 20
Nova linha 2 0 -0,5 0 -0,5 0 1 -0,5 5
Z X1 X2 X3 F1 F2 F3 b
Tabela 2 1 2,5 0 -2,5 0 0 1,5 45
L1 F1 0 -0,5 0 1,5 1 0 -0,5 25
L2 F2 0 -0,5 0 -0,5 0 1 -0,5 5
L3 X2 0 1,5 1 -0,5 0 0 0,5 15
Valor de Z: 𝑍 = 45
Passo 3: Teste da solução: A solução não é ótima, pois tem coeficientes negativos
na função objetivo (coeficiente de 𝑥3 que é igual a -2,5).
Assim:
Z X1 X2 X3 F1 F2 F3 b b/X3
Tabela 2 1 2,5 0 -2,5 0 0 1,5 45
L1 F1 0 -0,5 0 1,5 1 0 -0,5 25 16,67 Sai
L2 F2 0 -0,5 0 -0,5 0 1 -0,5 5 -10
L3 X2 0 1,5 1 -0,5 0 0 0,5 15 -30
Entra
70
Linha pivô: linha 1
Z X1 X2 X3 F1 F2 F3 b
Linha pivô 0 -0,5 0 1,5 1 0 -0,5 25
Dividido por 1,5 0 -0,33 0 1 0,67 0 -0,33 16,67 Nova linha pivô
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 -0,33 0 1 0,67 0 -0,33 16,67
Multiplicar por 2,5 0 -0,83 0 2,5 1,68 0 -0,83 41,68 (+)
Linha Z 1 2,5 0 -2,5 0 0 1,5 45
Nova linha Z 1 1,68 0 0 1,68 0 0,68 86,68
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 -0,33 0 1 0,67 0 -0,33 16,67
Multiplicar por 0,5 0 -0,17 0 0,5 0,34 0 -0,17 8,34 (+)
Linha 2 0 0,5 0 -0,5 0 1 -0,5 5
Nova linha 2 0 0,34 0 0 0,34 1 -0,67 13,34
Z X1 X2 X3 F1 F2 F3 b
Nova linha pivô 0 -0,33 0 1 0,67 0 -0,33 16,67
Multiplicar por 0,5 0 -0,17 0 0,5 0,34 0 -0,17 8,34 (+)
Linha 3 0 1,5 1 -0,5 0 0 0,5 15
Nova linha 3 0 1,34 1 0 0,34 0 0,34 23,34
Z X1 X2 X3 F1 F2 F3 b
Tabela 3 1 1,68 0 0 1,68 0 0,68 86,68
L1 X3 0 -0,33 0 1 0,67 0 -0,33 16,67
L2 F2 0 0,34 0 0 0,34 1 -0,67 13,34
L3 X2 0 1,34 1 0 0,34 0 0,34 23,34
Valor de Z: 𝑍 = 86,68
71
Passo 3: Essa nova solução é ótima, pois todos os coeficientes das variáveis na
função objetivo são positivos. Temos o valor máximo de 𝑍 = 86,68, obtido com 𝑥1 = 0, 𝑥2
= 23,34 e 𝑥3 = 16,67.
http://www.phpsimplex.com/simplex/simplex.htm?l=pt
Nos exemplos que foram resolvidos até agora pelo método tabular Simplex, as
restrições eram todas do tipo ≤ com os termos da direita positivos. O acréscimo das
variáveis de folga fornece nesse caso uma solução básica inicial.
Exemplo:
Max 𝑍 = 𝑥1 + 𝑥2 + 𝑥3
Sujeito às restrições:
2𝑥1 + 𝑥2 − 𝑥3 ≤ 10
𝑥1 + 𝑥2 + 2𝑥3 ≥ 20
2𝑥1 + 𝑥2 + 3𝑥3 = 60
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
72
Passo 1: Acrescentar as variáveis de folga:
2𝑥1 + 𝑥2 − 𝑥3 + 𝐹1 = 10
𝑥1 + 𝑥2 + 2𝑥3 − 𝐹2 = 20
2𝑥1 + 𝑥2 + 3𝑥3 = 60
Como descrito anteriormente, o termo −𝐹2 foi adicionado, uma vez que a restrição
é do tipo ≥.
A partir daí temos uma solução básica inicial: 𝐹1 = 10, 𝑎2 = 20 e 𝑎3 = 60 com todas
as outras variáveis nulas.
Sujeito às restrições:
𝑥1 + 𝑥2 − 𝑥3 ≤ 10
2𝑥1 + 𝑥2 + 𝑥3 ≤ 20
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
73
O modelo equivalente será então:
−Z = −3𝑥1 + 4𝑥2 − 𝑥3
Então:
Max 𝑍 = −3𝑥1 + 4𝑥2 − 𝑥3
Sujeito às restrições:
𝑥1 + 𝑥2 − 𝑥3 ≤ 10
2𝑥1 + 𝑥2 + 𝑥3 ≤ 20
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Começaremos a estudar esse método construindo uma função objetivo auxiliar (ou
artificial) 𝑊, formada pela soma das variáveis auxiliares:
𝑊 = 𝑎1 + 𝑎2 + 𝑎3 + ⋯ + 𝑎𝑛
A função 𝑊 deve ser escrita em termos das variáveis originais na forma de uma
função objetivo de minimização. O objetivo é minimizar 𝑊, pois as variáveis auxiliares
devem ser iguais a zero (para evitar inconsistências matemáticas).
Quando as variáveis auxiliares forem não básicas, então:
𝑎1 = 𝑎2 = 𝑎3 = ⋯ = 𝑎𝑛 = 0
Logo:
𝑊=0
Quando isso ocorrer a fase 1 estará terminada e haverá uma nova função objetivo
𝑍 a ser resolvida (fase 2) via método Simplex convencional (ou seja, teremos um modelo
original com solução básica inicial, dando início aos cálculos para se chegar na solução
ótima).
74
Exemplo:
Max 𝑍 = 𝑥1 + 𝑥2 + 𝑥3
Sujeito às restrições:
2𝑥1 + 𝑥2 − 𝑥3 ≤ 10
𝑥1 + 𝑥2 + 2𝑥3 ≥ 20
2𝑥1 + 𝑥2 + 3𝑥3 = 60
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Logo:
𝑊 = 𝑎2 + 𝑎3 = −𝑥1 − 𝑥2 − 2𝑥3 + 𝐹2 + 20 − 2𝑥1 − 𝑥2 − 3𝑥3 + 60
𝑊 = −3𝑥1 − 2𝑥2 − 5𝑥3 + 𝐹2 + 80
Resultando em:
𝑊 − 3𝑥1 − 2𝑥2 − 5𝑥3 + 𝐹2 = −80
75
O quadro com a função auxiliar fica:
Z-W X1 X2 X3 F1 F2 a2 a3 b
Tabela 1 1 -1 -1 -1 0 0 0 0 0
L1 F1 0 2 1 -1 1 0 0 0 10
L2 a2 0 1 1 2 0 -1 1 0 20
L3 a3 0 2 1 3 0 0 0 1 60
-W -1 -3 -2 -5 0 1 0 0 -80
Valor de W: 𝑊 = 80
Passo 3: Teste da solução: A solução não é ótima, pois tem coeficientes negativos
na função objetivo.
Assim:
Z-W X1 X2 X3 F1 F2 a2 a3 b b/X3
Tabela 1 1 -1 -1 -1 0 0 0 0 0
L1 F1 0 2 1 -1 1 0 0 0 10 -10
L2 a2 0 1 1 2 0 -1 1 0 20 10 Sai
L3 a3 0 2 1 3 0 0 0 1 60 20
-W -1 -3 -2 -5 0 1 0 0 -80
Entra
Sai o de menor valor não negativo (10), ou seja, sai a variável da linha 2 (𝑎2 ).
Elemento pivô: 2
76
Dividindo a linha pivô por 2, temos:
Z-W X1 X2 X3 F1 F2 a2 a3 b
Linha pivô 0 1 1 2 0 -1 1 0 20
Dividido por 2 0 0,5 0,5 1 0 -0,5 0,5 0 10
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,5 0,5 1 0 -0,5 0,5 0 10
Multiplicar por 1 0 0,5 0,5 1 0 -0,5 0,5 0 10 (+)
Linha Z 1 -1 -1 -1 0 0 0 0 0
Nova linha Z 1 -0,5 -0,5 0 0 -0,5 0,5 0 10
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,5 0,5 1 0 -0,5 0,5 0 10
Multiplicar por 1 0 0,5 0,5 1 0 -0,5 0,5 0 10 (+)
Linha 1 0 2 1 -1 1 0 0 0 10
Nova linha 1 0 2,5 1,5 0 1 -0,5 0,5 0 20
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,5 0,5 1 0 -0,5 0,5 0 10
Multiplicar por -3 0 -1,5 -1,5 -3 0 1,5 -1,5 0 -30 (+)
Linha 3 0 2 1 3 0 0 0 1 60
Nova linha 3 0 0,5 -0,5 0 0 1,5 -1,5 1 30
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,5 0,5 1 0 -0,5 0,5 0 10
Multiplicar por 5 0 2,5 2,5 5 0 -2,5 2,5 0 50 (+)
Linha W -1 -3 -2 -5 0 1 0 0 -80
Nova linha W -1 -0,5 0,5 0 0 -1,5 2,5 0 -30
77
Reescrevendo a nova tabela teremos:
Z-W X1 X2 X3 F1 F2 a2 a3 b
Tabela 2 1 -0,5 -0,5 0 0 -0,5 0,5 0 10
L1 F1 0 2,5 1,5 0 1 -0,5 0,5 0 20
L2 X3 0 0,5 0,5 1 0 -0,5 0,5 0 10
L3 a3 0 0,5 -0,5 0 0 1,5 -1,5 1 30
-W -1 -0,5 0,5 0 0 -1,5 2,5 0 -30
Valor de W: 𝑊 = 30
Passo 3: Teste da solução: A solução não é ótima, pois tem coeficientes negativos
na função objetivo auxiliar.
Assim:
Z-W X1 X2 X3 F1 F2 a2 a3 b b/X3
Tabela 2 1 -0,5 -0,5 0 0 -0,5 0,5 0 10
L1 F1 0 2,5 1,5 0 1 -0,5 0,5 0 20 -40
L2 X3 0 0,5 0,5 1 0 -0,5 0,5 0 10 -20
L3 a3 0 0,5 -0,5 0 0 1,5 -1,5 1 30 20 Sai
-W -1 -0,5 0,5 0 0 -1,5 2,5 0 -30
Entra
Sai o de menor valor não negativo (20), ou seja, sai a variável da linha 3 (𝑎3 ).
78
Dividindo a linha pivô por 1,5, temos:
Z-W X1 X2 X3 F1 F2 a2 a3 b
Linha pivô 0 0,5 -0,5 0 0 1,5 -1,5 1 30
Dividido por 1,5 0 0,33 -0,33 0 0 1 -1 0,67 20
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,33 -0,33 0 0 1 -1 0,67 20
Multiplicar por 0,5 0 0,167 -0,17 0 0 0,5 -0,5 0,33 10 (+)
Linha Z 1 -0,5 -0,5 0 0 -0,5 0,5 0 10
Nova linha Z 1 -0,333 -0,667 0 0 0 0 0,333 20
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,333 -0,33 0 0 1 -1 0,67 20
Multiplicar por 0,5 0 0,167 -0,17 0 0 0,5 -0,5 0,33 10 (+)
Linha 1 0 2,5 1,5 0 1 -0,5 0,5 0 20
Nova linha 1 0 2,667 1,333 0 1 0 0 0,333 30
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,333 -0,33 0 0 1 -1 0,67 20
Multiplicar por 0,5 0 0,167 -0,17 0 0 0,5 -0,5 0,33 10 (+)
Linha 2 0 0,5 0,5 1 0 -0,5 0,5 0 10
Nova linha 2 0 0,667 0,333 1 0 0 0 0,333 20
Z-W X1 X2 X3 F1 F2 a2 a3 b
Nova linha pivô 0 0,333 -0,33 0 0 1 -1 0,67 20
Multiplicar por 1,5 0 0,5 -0,5 0 0 1,5 -1,5 1 30 (+)
Linha W -1 -0,5 0,5 0 0 -1,5 2,5 0 -30
Nova linha W -1 0 0 0 0 0 1 1 0
79
Nova tabela:
Z-W X1 X2 X3 F1 F2 a2 a3 b
Tabela 3 1 -0,333 -0,667 0 0 0 0 0,333 20
L1 F1 0 2,667 1,333 0 1 0 0 0,333 30
L2 X3 0 0,667 0,333 1 0 0 0 0,333 20
L3 F2 0 0,333 -0,333 0 0 1 -1 0,667 20
-W -1 0 0 0 0 0 1 1 0
Valor de W: 𝑊 = 0
Z X1 X2 X3 F1 F2 b
Tabela 1 1 -0,333 -0,667 0 0 0 20
L1 F1 0 2,667 1,333 0 1 0 30
L2 X3 0 0,667 0,333 1 0 0 20
L3 F2 0 0,333 -0,333 0 0 1 20
A partir dessa tabela, damos sequência ao método Simplex para obter a solução
ótima de 𝑍 (da forma como aprendemos na seção anterior).
Valor de Z: 𝑍 = 35
80
Experimente solucionar essa questão usando a calculadora PHPSimplex:
http://www.phpsimplex.com/simplex/simplex.htm?l=pt
Vale ressaltar que, caso a função auxiliar 𝑊 apresente solução ótima com valor
não nulo, as variáveis auxiliares não serão todas nulas. Nesse caso, o modelo original
não possuirá uma solução básica, e portanto o problema é dito “sem solução”. Em outras
palavras, se a solução ótima de 𝑊 for diferente de zero, o problema não tem solução
viável (ou seja, o problema não possui solução que satisfaça todas as restrições; quando
isso ocorre dizemos que as restrições “não são consistentes”).
Nesta seção serão considerados quatro casos especiais que podem surgir na
utilização do método Simplex:
1. Degeneração;
2. Soluções ótimas alternativas (também denominada “múltiplas soluções ótimas”);
3. Soluções ilimitadas;
4. Soluções não existentes (ou “soluções inviáveis”).
Existem dois motivos para se estudar esses casos especiais: 1-apresentar uma
explicação teórica para essas situações; 2-dar uma interpretação prática do significado
desses resultados em problemas reais.
Degeneração:
81
Não há, entretanto, nenhum problema com uma solução degenerada, exceto por
uma pequena inconveniência teórica denominada ciclagem (ou retorno cíclico), que será
discutida a seguir. Do ponto de vista prático, a degeneração revela que o modelo tem no
mínimo duas “restrições redundantes” (ou seja, uma restrição que é linearmente
dependente de outras restrições; por exemplo, a restrição é múltipla de outra restrição,
ou é a soma de outras duas restrições...).
Do ponto de vista teórico é possível que o método Simplex entre em uma sequência
de iterações sem nunca melhorar o valor da função objetivo e nunca satisfazer a condição
de otimalidade. Esse fenômeno é chamado de ciclagem ou retorno cíclico.
Voltando ao método gráfico, essa situação ocorre quando existem duas “quinas”,
ou seja, dois pontos críticos que são soluções ótimas. Nesse caso, a reta correspondente
à restrição que liga esses dois pontos é paralela à reta da função objetivo. Com isso,
qualquer ponto ao longo dessa reta (ou seja, qualquer ponto entre as duas “quinas”) será
um ponto ótimo (temos “infinitas” soluções ótimas).
Na prática soluções ótimas alternativas são úteis pois permitem a escolha entre
muitas soluções sem que o valor da função objetivo sofra deterioração.
82
Solução ilimitada:
Solução inviável:
83
AULA 2 – DUALIDADE
84
Nesse momento, é importante observar que o Dual, de certa forma, é uma espécie
de “matriz transposta” do Primal (as linhas se tornam colunas).
Exemplo:
Primal:
Max 𝑍 = 2𝑥1 + 3𝑥2 + 𝑥3
Sujeito às restrições:
3𝑥1 + 4𝑥2 + 2𝑥3 ≤ 10
2𝑥1 + 6𝑥2 + 𝑥3 ≤ 20
𝑥1 − 𝑥2 − 𝑥3 ≤ 30
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Dual:
Min 𝐷 = 10𝑦1 + 20𝑦2 + 30𝑦3
Sujeito às restrições:
3𝑦1 + 2𝑦2 + 𝑦3 ≥ 2
4𝑦1 + 6𝑦2 − 𝑦3 ≥ 3
2𝑦1 + 𝑦2 − 𝑦3 ≥ 1
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
Observe que:
1. Como são três restrições no primal foram criadas três variáveis de decisão no
dual.
2. Como a função objetivo no primal era de maximização (Max 𝑍), no dual a função
objetivo é de minimização (Min 𝐷). Além disso, os coeficientes da função objetivo
no dual são as constantes 𝑏 do primal (10, 20 e 30).
3. Como são três variáveis de decisão no primal foram criadas três restrições no
dual.
4. Os coeficientes da restrição 1 no primal são os coeficientes de 𝑦1 no Dual; os
coeficientes da restrição 2 no primal são os coeficientes de 𝑦2 no Dual e os
coeficientes da restrição 3 no primal são os coeficientes de 𝑦3 no Dual.
5. Os sinais ≤ das restrições do primal geram sinais ≥ nas variáveis do dual (sinais
inversos), enquanto os sinais ≥ das variáveis do primal geram sinais ≥ nas
restrições do dual (mesmo sinal).
6. As constantes da direita nas restrições são os coeficientes da função objetivo (2, 3
e 1).
85
Note que foi feita uma operação parecida com a de uma matriz transposta.
Considere uma matriz correspondente ao modelo Primal escrita na seguinte forma:
2 3 1
10 3 4 2
𝑀=( )
20 2 6 1
30 1 −1 −1
Observe que a primeira linha apresenta os coeficientes da função objetivo, a
primeira coluna (a partir da segunda linha) apresenta as constantes do lado direito das
restrições, e os demais termos são os coeficientes do lado esquerdo de cada restrição.
Como exemplo, vamos considerar o modelo Dual (do exemplo anterior) como sendo
o Primal agora.
86
Exemplo:
Primal:
Min 𝑍 = 10𝑥1 + 20𝑥2 + 30𝑥3
Sujeito às restrições:
3𝑥1 + 2𝑥2 + 𝑥3 ≥ 2
4𝑥1 + 6𝑥2 − 𝑥3 ≥ 3
2𝑥1 + 𝑥2 − 𝑥3 ≥ 1
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Dual:
Max 𝐷 = 2𝑦1 + 3𝑦2 + 𝑦3
Sujeito às restrições:
3𝑦1 + 4𝑦2 + 2𝑦3 ≤ 10
2𝑦1 + 6𝑦2 + 𝑦3 ≤ 20
𝑦1 − 𝑦2 − 𝑦3 ≤ 30
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
Observe que:
1. Como são três restrições no primal foram criadas três variáveis de decisão no
dual.
2. Como a função objetivo no primal era de minimização (Min 𝑍), no dual a função
objetivo é de maximização (Max 𝐷). Além disso, os coeficientes da função objetivo
no dual são as constantes 𝑏 do primal (2, 3 e 1).
3. Como são três variáveis de decisão no primal foram criadas três restrições no
dual.
4. Os coeficientes da restrição 1 no primal são os coeficientes de 𝑦1 no Dual; os
coeficientes da restrição 2 no primal são os coeficientes de 𝑦2 no Dual e os
coeficientes da restrição 3 no primal são os coeficientes de 𝑦3 no Dual.
5. Os sinais ≥ das restrições do primal geram sinais ≥ nas variáveis do dual (mesmo
sinal), enquanto os sinais ≥ das variáveis do primal geram sinais ≤ nas restrições
do dual (sinais inversos).
6. As constantes da direita nas restrições são os coeficientes da função objetivo (10,
20 e 30).
87
Observações adicionais:
Exemplo:
Primal:
Max 𝑍 = 2𝑥1 + 3𝑥2 + 𝑥3
Sujeito às restrições:
𝑥1 + 𝑥2 ≤ 10
2𝑥1 + 4𝑥2 − 𝑥3 = 20
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Dual:
Min 𝐷 = 10𝑦1 + 20𝑦2
Sujeito às restrições:
𝑦1 + 2𝑦2 ≥ 2
𝑦1 + 4𝑦2 ≥ 3
−𝑦2 ≥ 1
𝑦1 ≥ 0, 𝑦2 irrestrita
Observe que a tabela não utiliza a notação primal e dual. O que importa aqui é o
sentido da otimização (se o primal for de maximização, então o dual será de minimização
e vice-versa).
88
Propriedades importantes do Primal-Dual
É importante ressaltar que o dual do dual é o primal, o que significa que a solução
ótima dual pode ser usada para obter a solução ótima primal automaticamente. Nesse
ponto, vale fazer um resumo das propriedades entre os problemas dual e primal:
Exemplo:
Primal:
Max 𝑍 = 𝑥1 + 2𝑥2 + 3𝑥3
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 ≤ 10
2𝑥1 + 𝑥2 + 4𝑥3 ≤ 12
𝑥1 + 3𝑥2 − 𝑥3 ≤ 9
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
90
Dual:
Min 𝐷 = 10𝑦1 + 12𝑦2 + 9𝑦3
Sujeito às restrições:
𝑦1 + 2𝑦2 + 𝑦3 ≥ 1
𝑦1 + 𝑦2 + 3𝑦3 ≥ 2
𝑦1 + 4𝑦2 − 𝑦3 ≥ 3
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
Primal:
Max 𝑍 = 𝑥1 + 2𝑥2 + 3𝑥3
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 + 𝐹1 = 10
2𝑥1 + 𝑥2 + 4𝑥3 + 𝐹2 = 12
𝑥1 + 3𝑥2 − 𝑥3 + 𝐹3 = 9
𝑥1 , 𝑥2 , 𝑥3 , 𝐹1 , 𝐹2 , 𝐹3 ≥ 0
Primal Z X1 X2 X3 F1 F2 F3 b
Tabela 1 1 -1 -2 -3 0 0 0 0
L1 F1 0 1 1 1 1 0 0 10
L2 F2 0 2 1 4 0 1 0 12
L3 F3 0 1 3 -1 0 0 1 9
Solução:
Valor de Z: 𝑍 = 0
91
Dual:
Min 𝐷 = 10𝑦1 + 12𝑦2 + 9𝑦3
Sujeito às restrições:
𝑦1 + 2𝑦2 + 𝑦3 − 𝐹1 = 1
𝑦1 + 𝑦2 + 3𝑦3 − 𝐹2 = 2
𝑦1 + 4𝑦2 − 𝑦3 − 𝐹3 = 3
𝑦1 , 𝑦2 , 𝑦3 , 𝐹1 , 𝐹2 , 𝐹3 ≥ 0
Dual D Y1 Y2 Y3 F1 F2 F3 c
Tabela 1 -1 10 12 9 0 0 0 0
L1 F1 0 1 2 1 -1 0 0 1
L2 F2 0 1 1 3 0 -1 0 2
L3 F3 0 1 4 -1 0 0 -1 3
Solução:
Valor de D: 𝐷 = 0
Note que a solução do dual (𝑦1 = 𝑦2 = 𝑦3 = 0) não é viável, pois não atende às
restrições (o lado esquerdo das restrições é menor do que o lado direito; por exemplo, a
restrição 1 resultou em 0 ≥ 1). Além disso, note que as variáveis de folga são negativas
(sendo que elas devem ser positivas). Esse ponto serve para reforçar que “se as soluções
básicas no problema primal não forem ótimas, então as soluções básicas no problema
dual não serão viáveis”.
De forma análoga, os valores das variáveis de decisão 𝑥𝑖 no primal são iguais aos
coeficientes de 𝐹𝑖 da restrição 𝑖 na tabela dual (e vice-versa).
E ainda, os valores das variáveis de folga 𝐹𝑖 no primal são iguais aos valores dos
coeficientes de 𝑦𝑖 da função objetivo da tabela dual (e vice-versa).
Como não é uma valor ótimo, então seguimos para a próxima iteração.
Primal Z X1 X2 X3 F1 F2 F3 b
Tabela 2 1 0,5 -1,25 0 0 0,75 0 9
L1 F1 0 0,5 0,75 0 1 -0,25 0 7
L2 X3 0 0,5 0,25 1 0 0,25 0 3
L3 F3 0 1,5 3,25 0 0 0,25 1 12
Solução:
Variáveis básicas: 𝐹1 = 7; 𝐹3 = 12 e 𝑥3 = 3
Valor de Z: 𝑍 = 9
93
Usando a relação descrita, vamos montar a tabela dual correspondente
(considerando a Tabela 2 do Primal e sua solução):
Dual D Y1 Y2 Y3 F1 F2 F3 c
Tabela 2 -1 7 0 12 0 0 3 -9
L1 F1 0 1 0 0,5
L2 F2 0 0 1 -1,25
L3 Y2 1 0 0 0,75
Solução:
Valor de D: 𝐷 = 9
Note que essa solução dual não é viável (pois 𝐹2 é negativa). Isso significa que a
restrição 2 não está sendo satisfeita: fazendo 𝑦1 = 0, 𝑦2 = 0,75 e 𝑦3 = 0 na restrição 2
(𝑦1 + 𝑦2 + 3𝑦3 ≥ 2 => 0,75 ≥ 2). Ou seja, a solução dual não é viável.
Primal Z X1 X2 X3 F1 F2 F3 b
Tabela 3 1 1,077 0 0 0 0,846 0,385 13,615
L1 F1 0 0,154 0 0 1 -0,308 -0,231 4,231
L2 X3 0 0,385 0 1 0 0,231 -0,077 2,077
L3 X2 0 0,461 1 0 0 0,077 0,308 3,692
Solução:
Valor de Z: 𝑍 = 13,615
94
Usando a relação descrita, vamos montar a tabela dual correspondente
(considerando a Tabela 3 do Primal e sua solução):
Dual D Y1 Y2 Y3 F1 F2 F3 c
Tabela 3 -1 4,321 0 0 0 3,692 2,077 -13,615
L1 F1 0 0 0 1 1,077
L2 Y2 0 1 0 0 0,846
L3 Y3 0 0 1 0 0,385
Solução:
Valor de D: 𝐷 = 13,615
A solução é ótima pois todas as restrições (tanto do primal quanto do dual) foram
satisfeitas.
95
Solução de problema de PL via dualidade
O exemplo a seguir será solucionado, em primeiro lugar, pelo método das duas
fases. Em seguida, para efeito de comparação, será demonstrada a solução via
dualidade.
Exemplo:
Min 𝑍 = 3𝑥1 + 5𝑥2
Sujeito às restrições:
3𝑥1 + 2𝑥2 ≥ 10
𝑥1 + 𝑥2 ≥ 8
𝑥1 , 𝑥2 ≥ 0
Assim:
𝑎1 = 10 − 3𝑥1 − 2𝑥2 + 𝐹1
𝑎2 = 8 − 𝑥1 − 𝑥2 + 𝐹2
Com isso:
𝑊 = 𝑎1 + 𝑎2 = 10 − 3𝑥1 − 2𝑥2 + 𝐹1 + 8 − 𝑥1 − 𝑥2 + 𝐹2
𝑊 = 18 − 4𝑥1 − 3𝑥2 + 𝐹1 + 𝐹2
96
Devemos minimizar 𝑊, assim:
Min 𝑊 = Max − 𝑊
−𝑊 = −18 + 4𝑥1 + 3𝑥2 − 𝐹1 − 𝐹2
−𝑊 − 4𝑥1 − 3𝑥2 + 𝐹1 + 𝐹2 = −18
Linha 2: 8/1 = 8
Z-W X1 X2 F1 F2 a1 a2 b b/X1
Tabela 1 -1 3 5 0 0 0 0 0
L1 a1 0 3 2 -1 0 1 0 10 3,33 Sai
L2 a2 0 1 1 0 -1 0 1 8 8
-W -1 -4 -3 1 1 0 0 -18
Entra
Z-W X1 X2 F1 F2 a1 a2 b
Linha pivô 0 3 2 -1 0 1 0 10
Dividido por 3 0 1 0,67 -0,33 0 0,33 0 3,33
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 1 0,67 -0,33 0 0,33 0 3,33
Multiplicar por -3 0 -3 -2 1 0 -1 0 -10 (+)
Linha Z -1 3 5 0 0 0 0 0
Nova linha Z -1 0 3 1 0 -1 0 -10
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 1 0,67 -0,33 0 0,33 0 3,33
Multiplicar por -1 0 -1 -0,67 0,33 0 -0,33 0 -3,33 (+)
Linha 2 0 1 1 0 -1 0 1 8
Nova linha 2 0 0 0,33 0,33 -1 -0,33 1 4,67
97
Cálculo da nova linha W (coeficiente da variável que entra = -4)
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 1 0,67 -0,33 0 0,33 0 3,33
Multiplicar por 4 0 4 2,67 -1,33 0 1,33 0 13,33 (+)
Linha W -1 -4 -3 1 1 0 0 -18
Nova linha W -1 0 -0,33 -0,33 1 1,33 0 -4,67
Z-W X1 X2 F1 F2 a1 a2 b
Tabela 2 -1 0 3 1 0 -1 0 -10
L1 X1 0 1 0,67 -0,33 0 0,33 0 3,33
L2 a2 0 0 0,33 0,33 -1 -0,33 1 4,67
-W -1 0 -0,33 -0,33 1 1,33 0 -4,67
Temos ainda 𝑥2 e 𝐹1 negativos. Como os dois tem o mesmo valor, podemos escolher
qualquer um deles. Pegando por exemplo a coluna de 𝐹1 , temos que apenas a linha 2
dará um valor positivo. Portanto, a linha pivô será a linha 2 e o elemento pivô será o
0,33.
Z-W X1 X2 F1 F2 a1 a2 b
Linha pivô 0 0 0,33 0,33 -1 -0,33 1 4,67
Dividido por 0,33 0 0 1 1 -3 -1 3 14
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 0 1 1 -3 -1 3 14
Multiplicar por -1 0 0 -1 -1 3 1 -3 -14 (+)
Linha Z -1 0 3 1 0 -1 0 -10
Nova linha Z -1 0 2 0 3 0 -3 -24
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 0 1 1 -3 -1 3 14
Multiplicar por 0,33 0 0 0,33 0,33 -1 -0,33 1 4,67 (+)
Linha 1 0 1 0,67 -0,33 0 0,33 0 3,33
Nova linha 1 0 1 1 0 -1 0 1 8
98
Cálculo da nova linha W (coeficiente da variável que entra = -0,33)
Z-W X1 X2 F1 F2 a1 a2 b
Nova linha pivô 0 0 1 1 -3 -1 3 14
Multiplicar por 0,33 0 0 0,33 0,33 -1 -0,33 1 4,67 (+)
Linha W -1 0 -0,33 -0,33 1 1,33 0 -4,67
Nova linha W -1 0 0 0 0 1 1 0
Z-W X1 X2 F1 F2 a1 a2 b
Tabela 3 -1 0 2 0 3 0 -3 -24
L1 X1 0 1 1 0 -1 0 1 8
L2 F1 0 0 1 1 -3 -1 3 14
-W -1 0 0 0 0 1 1 0
Note que as variáveis artificiais são iguais a 0 (ou seja, 𝑊 = 0). Sendo assim, a
fase 1 chegou ao fim, e tabela 3 pode ser reescrita (dando início à fase 2).
A tabela 1 da Fase 2 se torna, portanto:
Z X1 X2 F1 F2 b
Tabela 3 -1 0 2 0 3 -24
L1 X1 0 1 1 0 -1 8
L2 F1 0 0 1 1 -3 14
Como não existem coeficientes negativos na função objetivo, essa solução é ótima.
Solução:
Valor de Z: 𝑍 = 24
99
Agora, vamos determinar o dual desse enunciado e obter a solução ótima desse
dual, junto com as variáveis básicas e não básicas. Em seguida, vamos determinar a
solução do primal, junto com as variáveis básicas e não básicas, a partir da resposta do
dual. Por fim, vamos comparar esse resultado com o obtido anteriormente via método
das duas fases.
Repetindo o enunciado:
Min 𝑍 = 3𝑥1 + 5𝑥2
Sujeito às restrições:
3𝑥1 + 2𝑥2 ≥ 10
𝑥1 + 𝑥2 ≥ 8
𝑥1 , 𝑥2 ≥ 0
O dual será:
Max 𝐷 = 10𝑦1 + 8𝑦2
Sujeito às restrições:
3𝑦1 + 𝑦2 ≤ 3
2𝑦1 + 𝑦2 ≤ 5
𝑦1 , 𝑦2 ≥ 0
100
Temos que:
D Y1 Y2 F1 F2 c
Tabela 1 1 -10 -8 0 0 0
L1 F1 0 3 1 1 0 3
L2 F2 0 2 1 0 1 5
D Y1 Y2 F1 F2 c
Linha pivô 0 3 1 1 0 3
Dividido por 3 0 1 0,33 0,33 0 1
D Y1 Y2 F1 F2 c
Nova linha pivô 0 1 0,33 0,33 0 1
Multiplicar por 10 0 10 3,33 3,33 0 10 (+)
Linha Z 1 -10 -8 0 0 0
Nova linha Z 1 0 -4,67 3,33 0 10
D Y1 Y2 F1 F2 c
Nova linha pivô 0 1 0,33 0,33 0 1
Multiplicar por -2 0 -2 -0,67 -0,67 0 -2 (+)
Linha 2 0 2 1 0 1 5
Nova linha 2 0 0 0,33 -0,67 1 3
D Y1 Y2 F1 F2 c
Tabela 2 1 0 -4,67 3,33 0 10
L1 Y1 0 1 0,33 0,33 0 1
L2 F2 0 0 0,33 -0,67 1 3
101
Pegando a coluna de Y2 (negativo) e a linha 1 (que é a de menor c/Y2), temos que
a linha pivô é a linha 1 e que o elemento pivô será 0,33.
D Y1 Y2 F1 F2 c
Linha pivô 0 1 0,33 0,33 0 1
Dividido por 0,33 0 3 1 1 0 3
D Y1 Y2 F1 F2 c
Nova linha pivô 0 3 1 1 0 3
Multiplicar por 4,67 0 14 4,67 4,67 0 14 (+)
Linha Z 1 0 -4,67 3,33 0 10
Nova linha Z 1 14 0 8 0 24
D Y1 Y2 F1 F2 c
Nova linha pivô 0 3 1 1 0 3
Multiplicar por -0,33 0 -1 -0,33 -0,33 0 -1 (+)
Linha 2 0 0 0,33 -0,67 1 3
Nova linha 2 0 -1 0 -1 1 2
D Y1 Y2 F1 F2 c
Tabela 3 1 14 0 8 0 24
L1 Y2 0 3 1 1 0 3
L2 F2 0 -1 0 -1 1 2
Solução:
Variáveis básicas: 𝐹2 = 2 e 𝑦2 = 3
Valor de D: 𝐷 = 24
Essa nova solução é ótima, pois todos os coeficientes das variáveis na função
objetivo são positivos. Temos o valor máximo de 𝐷 = 24, obtido com 𝑦1 = 0 e 𝑦2 = 3 (que
é conhecida como solução ótima complementar).
102
A solução do primal pode ser obtida a partir do dual utilizando as propriedades
primal-dual.
Temos que:
Z X1 X2 F1 F2 b
Tabela 3 -1 0 2 0 3 -24
L1 X1 1 0 8
L2 F1 0 1 14
Solução do primal:
Variáveis básicas: 𝐹1 = 14 e 𝑥1 = 8
Valor de Z: 𝑍 = 24
Essa nova solução é ótima, pois todos os coeficientes das variáveis na função
objetivo são positivos. Temos o valor mínimo de 𝑍 = 24, obtido com 𝑥1 = 0 e 𝑥2 = 8 (solução
ótima).
Perceba que a solução encontrada é a mesma obtida com o método das duas fases.
O interessante dessa questão, é que ela mostra que podemos obter a solução ótima
do primal a partir do dual. Isso significa que, ao invés de lidarmos com a complexidade
de uma minimização e da utilização das variáveis artificiais (por conta dos sinais de
maior ou igual presentes nas restrições), podemos transformar o primal em dual,
resolver o dual e depois voltar para o primal (obtendo a solução ótima a partir da dual).
Como as condições das variáveis eram sempre maior ou igual a zero (𝑥1 , 𝑥2 ≥ 0),
então, pela tabela todas as restrições do dual seriam do tipo menor ou igual (que
significou utilizarmos apenas folgas F, simplificando a obtenção do resultado pelo dual).
103
Interpretação econômica da dualidade
Primal:
𝑛
Max 𝑍 = ∑ 𝑐𝑗 𝑥𝑗
𝑗=1
Sujeito às restrições:
𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖
𝑗=1
𝑥𝑗 ≥ 0
𝑖 = 1,2, … , 𝑚
𝑗 = 1,2, … , 𝑛
Min 𝐷 = ∑ 𝑏𝑖 𝑦𝑖
𝑖=1
Sujeito às restrições:
𝑚
∑ 𝑎𝑗𝑖 𝑦𝑖 ≥ 𝑐𝑗
𝑖=1
𝑦𝑖 ≥ 0
𝑗 = 1,2, … , 𝑚
𝑖 = 1,2, … , 𝑛
104
Observe também que as colunas do primal (índice 𝑖) se tornaram as linhas do dual
(índice 𝑗). Ou seja, cada uma das 𝑛 variáveis de decisão (colunas 𝑗 do primal) se tornaram
𝑛 restrições no dual (linhas 𝑖 do dual); e cada uma das 𝑚 restrições (linhas 𝑖 do primal)
se tornaram as 𝑚 variáveis de decisão do dual (colunas 𝑗 do dual).
Sujeito às restrições:
7𝑥1 + 4𝑥2 + 3𝑥3 ≤ 150
4𝑥1 + 4𝑥2 + 5𝑥3 ≤ 200
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Sujeito às restrições:
7𝑦1 + 4𝑦2 ≥ 4
4𝑦1 + 4𝑦2 ≥ 2
3𝑦1 + 5𝑦2 ≥ 3
𝑦1 , 𝑦2 ≥ 0
105
O problema dual consiste em minimizar o “custo” dos recursos (valor equivalente
dos recursos). O termo 𝑦𝑖 seria então o valor equivalente por unidade do recurso 𝑖.
Contudo, na literatura de PL (e em quase todos os softwares), 𝑦𝑖 é chamado de preço
sombra (ou preço dual). Naturalmente, nosso objetivo é minimizar o preço sombra.
Quanto menor for o valor do preço sombra, maior é o “aproveitamento” do recurso (mais
eficiente está sendo aquele recurso em termos de custo). Por exemplo, um recurso que
custa 5 e te gera 10 é melhor do que um recurso que custa 5 e te gera 7.
Assim:
𝑛 𝑚
𝑍 = ∑ 𝑐𝑗 𝑥𝑗 ≤ 𝐷 = ∑ 𝑏𝑖 𝑦𝑖
𝑗=1 𝑖=1
𝑍 = 𝐷 = ∑ 𝑏𝑖 𝑦𝑖
𝑖=1
Vale ressaltar que essa equação só é válida para 𝑍 = 𝐷, ou seja, para a solução
ótima complementar (valores ótimos de 𝑦𝑖 no dual).
Logo:
Receita (R$) < Valor equivalente dos recursos (R$)
106
Essa expressão afirma que, enquanto a receita total de todas as atividades for
menor do que o valor equivalente dos recursos, as soluções primal e dual não são ótimas
(isto é, elas podem ser melhoradas). A otimalidade (receita máxima) só é alcançada
quando os recursos são explorados completamente (da melhor forma possível), o que só
irá acontecer quando a entrada (valor equivalente dos recursos 𝐷) for igual à saída
(receita 𝑍 em reais).
Em termos econômicos, diz-se que o sistema é instável (solução não ótima) quando
a entrada (valor equivalente dos recursos 𝐷) for maior do que a saída (receita 𝑍 em
reais). A estabilidade (solução ótima) só ocorre quando essas duas quantidades são
iguais (𝑍 = 𝐷).
∑ 𝑎𝑗𝑖 𝑦𝑖 ≥ 𝑐𝑗
𝑖=1
Isto é:
Isso significa que não podemos aceitar nenhuma solução complementar que seja
menos rentável do que uma unidade da atividade 𝑗 (se aceitarmos, então não faremos o
melhor uso desses recursos).
Do ponto de vista econômico, a dualidade permitiu obter uma série de parâmetros
para a interpretação econômica de problemas de PL. O preço sombra, por exemplo, é um
parâmetro econômico muito importante, pois ele representa o quanto cada recurso
“contribui” para a receita (a partir daí pode-se avaliar o impacto que cada recurso tem
nos ganhos da empresa, ou seja, qual é o “valor” que cada recurso agrega às atividades
da empresa).
107
AULA 3 – ANÁLISE DE
SENSIBILIDADE
Imagine que o lucro de um produto varie no intervalo de ±5% do seu valor médio.
Caso a análise de sensibilidade revele que a solução ótima continua a mesma ainda que
o lucro desse produto varie no intervalo de ±10%, isso significa que a variação do lucro
desse produto (±5%) é indiferente para a solução do problema.
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 ≤ 10
2𝑥1 + 𝑥2 + 4𝑥3 ≤ 12
𝑥1 + 3𝑥2 − 𝑥3 ≤ 9
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
108
As variáveis 𝑥1 , 𝑥2 e 𝑥3 (variáveis de decisão) representam as quantidades de
produtos P1, P2 e P3, respectivamente. Além disso, os recursos de produção R1, R2 e R3
têm a disponibilidade de 10, 12 e 9 unidades, respectivamente (lado direito das
restrições). Tais recursos são utilizados para a produção de certas quantidades de
produtos (que aparecem no lado esquerdo das restrições).
Z X1 X2 X3 F1 F2 F3 b
Tabela 1 1 -1 -2 -3 0 0 0 0
L1 F1 0 1 1 1 1 0 0 10
L2 F2 0 2 1 4 0 1 0 12
L3 F3 0 1 3 -1 0 0 1 9
Z X1 X2 X3 F1 F2 F3 b
Tabela 3 1 1,077 0 0 0 0,846 0,385 13,615
L1 F1 0 0,154 0 0 1 -0,308 -0,231 4,231
L2 X3 0 0,385 0 1 0 0,231 -0,077 2,077
L3 X2 0 0,462 1 0 0 0,077 0,308 3,692
109
Intervalo de estabilidade para o coeficiente de 𝑥2 :
-Entrada de 𝑥1 :
𝐹1 diminui em 0,154
𝑥3 diminui em 0,385
𝑥2 diminui em 0,462
Com isso:
𝐹1 diminui em -0,231
𝑥3 diminui em -0,077
𝑥2 diminui em 0,308
Com isso:
-9 ≤ -0,335 ≤ 0,75 ≤ 𝑐2
Em outras palavras, podemos concluir que o coeficiente 𝑐2 deve ser maior ou igual
a 0,75. Isso significa que a solução é estável desde que 𝑐2 ≥ 0,75 (desde que o coeficiente
de 𝑥2 na função objetivo do problema de PL tenha um valor maior ou igual a 0,75, a
solução ótima do problema 𝑥1 = 0, 𝑥2 = 3,692 e 𝑥3 = 2,077 não irá se alterar). Contudo o
valor de 𝑍 muda. Por exemplo, para 𝑐2 = 0,8, temos 𝑍 = 9,185 (que é diferente do valor
de 𝑍 = 13,615 obtido com 𝑐2 = 2).
111
Intervalo de estabilidade para o coeficiente 𝑥3 :
𝐹1 diminui em 0,154
𝑥3 diminui em 0,385
𝑥2 diminui em 0,462
Com isso:
Com isso:
112
-Entrada de 𝐹3 (passa de 𝐹3 = 0 para 𝐹3 = 1). Assim, observando a coluna de 𝐹3 na
tabela final:
𝐹1 diminui em -0,231
𝑥3 diminui em -0,077
𝑥2 diminui em 0,308
Com isso:
-0,667 ≤ 0,197 ≤ 𝑐3 ≤ 8
Em outras palavras, podemos concluir que o coeficiente 𝑐3 deve ter um valor entre
0,197 e 8. Isso significa que a solução é estável desde que 0,197 ≤ 𝑐3 ≤ 8 (enquanto 𝑐3
estiver nesse intervalo, a solução é estável, ou seja, a solução ótima do problema 𝑥1 = 0,
𝑥2 = 3,692 e 𝑥3 = 2,077 não irá se alterar). Contudo o valor de 𝑍 muda. Por exemplo, para
𝑐3 = 5, temos 𝑍 = 17,769 (que é diferente do valor de 𝑍 = 13,615 obtido com 𝑐3 = 3).
Como a solução ótima é a mesma, para obter esse novo valor de 𝑍, basta calcular:
𝑍 = 𝑥1 + 2𝑥2 + 5𝑥3
𝑍 = 0 + 2 ∙ 3,692 + 5 ∙ 2,077
𝑍 = 17,769
113
Mudança no coeficiente de uma variável não básica:
Quando nos referimos a uma variável não básica, o que se deseja saber é qual seu
coeficiente crítico para a estabilidade, isto é, a partir de qual valor a variável não básica
entra na base mudando a solução.
Assim, para que 𝑥1 não diminua o lucro, é necessário que o seu coeficiente (isto é,
seu lucro unitário) seja de:
1 + 1,079 = 2,079
Análise de pós-otimização
114
Entrada de uma nova variável:
Caso o coeficiente dessa nova variável esteja abaixo desse “valor mínimo”, a
solução ótima do problema não será alterada (ou seja, a entrada dessa nova variável não
contribui para o aumento de 𝑍 e portanto o valor dessa variável será zero na solução
ótima).
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 ≤ 10
2𝑥1 + 𝑥2 + 4𝑥3 ≤ 12
𝑥1 + 3𝑥2 − 𝑥3 ≤ 9
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Tabela final:
Z X1 X2 X3 F1 F2 F3 b
Tabela 3 1 1,077 0 0 0 0,846 0,385 13,615
L1 F1 0 0,154 0 0 1 -0,308 -0,231 4,231
L2 X3 0 0,385 0 1 0 0,231 -0,077 2,077
L3 X2 0 0,461 1 0 0 0,077 0,308 3,692
115
Um levantamento de dados pela gestão da produção da empresa mostrou que a
produção de P4 exige uma unidade de R1, uma unidade de R2 e duas unidades de R3. O
novo problema de PL passaria a ser:
Max 𝑍 = 𝑥1 + 2𝑥2 + 3𝑥3 + 𝑐4 𝑥4
Sujeito às restrições:
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≤ 10
2𝑥1 + 𝑥2 + 4𝑥3 + 𝑥4 ≤ 12
𝑥1 + 3𝑥2 − 𝑥3 + 2𝑥4 ≤ 9
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0
Assim, podemos concluir que o produto P4 poderia ser fabricado se seu lucro por
unidade fosse de no mínimo 1,616. Caso contrário, a entrada de P4 não alteraria a
solução ótima do problema (teríamos 𝑥4 = 0 na solução ótima). Em outras palavras, para
que a fabricação de P4 seja interessante, o seu lucro unitário deve ser 𝑐4 ≥ 1,616.
Essa alteração pode gerar uma nova solução ótima para o problema de PL. Essa
seção visa discutir sobre os impactos que a mudança dos recursos podem ter sobre um
problema de PL, e como calculá-la.
116
A seguir é apresentada novamente a tabela final do nosso exemplo:
Z X1 X2 X3 F1 F2 F3 b
Tabela 3 1 1,077 0 0 0 0,846 0,385 13,615
L1 F1 0 0,154 0 0 1 -0,308 -0,231 4,231
L2 X3 0 0,385 0 1 0 0,231 -0,077 2,077
L3 X2 0 0,461 1 0 0 0,077 0,308 3,692
Analisando a tabela final podemos inferir uma série de informações com relação
aos recursos utilizados na produção dos produtos da empresa:
Com relação ao recurso R1, cuja folga é representada por 𝐹1 , podemos dizer que
ele é um recurso não escasso (pois ele tem um valor diferente de zero na solução
ótima). Isso significa que uma redução de até 4,231 unidades no recurso (10 –
4,231 = 5,769) não afeta a solução (mesmo se mudássemos a primeira restrição
para qualquer valor entre 5,769 e 10, a solução não mudaria, justamente por
conta da folga de 4,231; mudaríamos apenas o valor de 𝐹1 , mas manteríamos o
valor de 𝑥1 = 0, 𝑥2 = 3,692 e 𝑥3 = 2,077). Um aumento na disponibilidade do recurso
também não tem influência no programa, pois iria apenas aumentar as sobras
(iria apenas aumentar o valor de 𝐹1 ). Logo, como R1 é um recurso não escasso, a
solução é estável (isto é, a solução ótima 𝑥1 = 0, 𝑥2 = 3,692 e 𝑥3 = 2,077 não se
altera) desde que 𝑏1 ≥ 5,769.
Com relação ao recurso R2, cuja folga é representada por 𝐹2 , podemos dizer que
ele é um recurso escasso (pois 𝐹2 = 0, ou seja, não tem sobras). Seu coeficiente na
função objetivo (0,846) indica que se 𝐹2 entrar na base com valor 1, a nova solução
terá o lucro diminuído em 0,846. Por outro lado, se conseguirmos mais uma
unidade desse recurso, a nova solução que incorpora essa unidade adicional tem
o lucro aumentado em 0,846 (para cada unidade desse recurso a mais na segunda
restrição, aumentamos o valor ótimo de Z em 0,846, pois poderemos produzir
mais).
Assim, temos que um recurso não escasso é limitado pela sua folga e que um
recurso escasso depende da sua contribuição (seu coeficiente na função objetivo) para o
lucro.
117
Os coeficientes limites para as disponibilidades dos recursos podem ser obtidos a
partir da tabela final da seguinte forma:
𝑏𝑖 + 𝑎𝑖𝑗 ∙ 𝑉𝑖 = 0
2,077 + 0,231 ∙ 𝑉2 = 0
0,231 ∙ 𝑉2 = −2,077
𝑉2 = −8,99
3,692 + 0,077 ∙ 𝑉2 = 0
0,077 ∙ 𝑉2 = −3,692
𝑉2 = −47,95
Temos então que -8,99 ≤ 𝑉2 ≤ 13,74. Isso significa que 𝑉2 pode provocar uma
diminuição de 8,99 unidades ou um aumento de no máximo 13,74 unidades em R2 sem
alterar a informação do coeficiente de 𝐹2 . Fazendo 12 – 8,99 = 3,01 e 12 + 13,74 = 25,74,
temos: desde que 3,01 ≤ 𝑏2 ≤ 25,74 no problema original, então o coeficiente de 𝐹2
permanecerá igual a 0,846 na função objetivo da tabela final.
118
Contudo, a solução ótima se altera (tanto os valores de 𝑥 quanto o valor de 𝑍). Por
exemplo, se conseguirmos um aumento de 13,74 unidades de R2, podemos aumentar o
lucro em:
0,846 ∙ 13,74 = 11,624
Fazendo com que a nova solução ótima seja, para esse caso:
𝑍 = 13,615 + 11,624 = 25,239
2,077 − 0,077 ∙ 𝑉3 = 0
−0,077 ∙ 𝑉3 = −2,077
𝑉3 = 26,974
3,692 + 0,308 ∙ 𝑉3 = 0
0,308 ∙ 𝑉3 = −3,692
𝑉3 = −11,987
119
Temos então que -11,987 ≤ 𝑉3 ≤ 18,316. Isso significa que 𝑉3 pode provocar uma
diminuição de 11,987 unidades ou um aumento de no máximo 18,316 unidades em R3
sem alterar a informação do coeficiente de 𝐹3 . Fazendo 9 – 11,987 = -2,987 e 9 + 18,316
= 27,316, temos: desde que -2,987 ≤ 𝑏3 ≤ 27,316 no problema original, então o coeficiente
de 𝐹3 permanecerá igual a 0,385 na função objetivo da tabela final.
Contudo, a solução ótima se altera (tanto os valores de 𝑥 quanto o valor de 𝑍). Por
exemplo, se conseguirmos um aumento de 18,316 unidades de R3, podemos aumentar o
lucro em:
0,385 ∙ 18,316 = 7,052
Fazendo com que a nova solução ótima seja, para esse caso:
𝑍 = 13,615 + 7,052 = 20,667
1. A nova restrição é redundante, o que significa que é satisfeita pela solução ótima
atual e portanto essa restrição pode ser eliminada do modelo (a solução ótima não
se altera e o valor de 𝑍 permanece o mesmo).
2. A solução atual viola essa nova restrição, e portanto uma nova solução deve ser
calculada (a solução ótima se altera e o valor de 𝑍 diminui, se o problema for de
maximização).
120
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 2
(1) CESGRANRIO - 2012 - EPE - Analista de Pesquisa Energética
A figura acima apresenta o 1o quadro montado para a otimização de uma função de custo
utilizando-se o método simplex.
121
(2) CESGRANRIO - 2010 - EPE - Analista de Pesquisa Energética
Após estudos da linha de produção de uma fábrica, chegou-se à conclusão de que o lucro,
denominado Z, é dado pela seguinte expressão: Z (x1, x2) = 2x1 + 3x2. Sabe-se que as
variáveis x1 e x2 estão sujeitas às restrições apresentadas a seguir:
Restrição 1: x1 + x2 ≤ 5
Restrição 2: 3x1 + 4x2 ≤ 10
Restrição 3: x1, x2 ≥ 0
Uma vez montado o 1º Quadro para a resolução deste problema, empregando o método
SIMPLEX para a maximização do lucro e identificando como variáveis de folga as
variáveis x3 e x4 o 2º Quadro, obtido após a 1º iteração, é
A.
B.
C.
D.
E.
122
(3) CESGRANRIO - 2014 - EPE - Analista de Pesquisa Energética
Sabendo-se que as Tabelas acima são as que precedem a que apresenta a solução ótima
(Tabela n), os valores das variáveis de decisão, x1 e x2, e o da função de otimização da
solução ótima correspondente são, respectivamente,
A. 4 ; 40 e 2000
B. 10 ; 40 e 1900
C. 18 ; 36 e 1980
D. 18 ; 36 e 2080
E. 20 ; 35 e 2000
123
(4) CESGRANRIO - 2011 - Petrobras - Engenheiro de Produção Júnior
A. α = -1
B. α = -0,5
C. α = 0
D. α = 0,5
E. α = 1
O método das duas fases é um procedimento que pode ser utilizado para obter uma
solução ótima viável, usando a lógica de funcionamento do método simplex quando a
determinação de uma solução básica viável inicial não é óbvia.
Em relação à lógica de funcionamento do método das duas fases, aplicado à resolução de
problemas de programação linear, é correto afirmar que:
A. O método fornece, ao final da primeira fase, uma solução básica viável ótima.
B. O método fornece, ao final da segunda fase, uma solução básica degenerada.
C. A primeira fase do método fornece uma solução básica inviável que deve ser
viabilizada na segunda fase do método.
D. A segunda fase do método tem como objetivo encontrar uma solução básica viável
ótima a partir de uma solução básica viável, obtida ao final da primeira fase.
124
(6) CCV - 2015 - UFC - Engenharia de Produção
A. Todo problema de programação linear possui pelo menos uma solução ótima.
B. Um problema de programação linear pode ter uma solução ótima mesmo que seu
conjunto de soluções viáveis seja vazio.
125
(7) CESGRANRIO - 2010 - Petrobras - Analista de Pesquisa Operacional Júnior
Dado o problema de programação linear
B.
C.
D.
E.
126
(8) CESGRANRIO - 2014 - EPE - Analista de Pesquisa Energética
A.
B.
C.
D.
E.
127
(9) FCM - 2016 - IF Farroupilha - Docente - Pesquisa Operacional/Finanças
B. Se um problema de programação linear for inviável, então, seu problema dual possui
função objetivo ilimitada.
128
(10) UECE-CEV - 2018 - Funceme - Pesquisador em Informática
Escreva V ou F conforme seja verdadeiro ou falso o que se afirma a seguir sobre a relação
entre os modelos primal e dual na programação linear.
( ) O valor ótimo de y1, variável de decisão definida no modelo dual acima, é o preço
sombra associado à restrição (I) do problema original ou primal.
( ) Quando uma dada restrição não influencia o valor ótimo de um problema, seu preço
sombra é infinito.
A. V, V, F, F.
B. F, F, V, V.
C. F, F, F, V.
D. V, V, V, F.
129
(11) CESGRANRIO - 2012 - Petrobras - Engenheiro de Produção Júnior [Adaptado]
Qual o valor máximo que o coeficiente da função objetivo para a variável X1 pode
assumir, sem alterar a solução ótima do problema de programação linear apresentado?
A. 3
B. 4
C. 6
D. 7
E. 8
130
(13) CESGRANRIO - 2012 - Petrobras - Analista de Pesquisa Operacional Júnior
Considere o seguinte problema de Programação Linear:
Foi acrescentada uma variável x4 ao problema, que passou a ser modelado da seguinte
forma:
O valor máximo que o parâmetro k pode assumir sem alterar o valor ótimo da função
objetivo encontrado para o problema original é
A. 0
B. 1
C. 2
D. 3
E. 5
GABARITO
(1) B (2) A (3) E (4) A (5) D (6) E (7) A (8) D (9) C (10) D (11) A (12) C
(13) B
131
CAPÍTULO 3 – PROBLEMAS DE TRANSPORTE E DE DESIGNAÇÃO
1-Problema de Transporte
2-Problema de Designação
Comentários do professor
Caros alunos, nesse capítulo estudaremos os problemas de transporte e de
designação. Em primeiro lugar, será apresentada a modelagem desses problemas com a
programação linear e a solução via método Simplex. Além disso, serão demonstrados
métodos mais eficientes para a solução dos problemas de transporte e de designação,
incluindo o método do canto noroeste, o método do menor custo, o método da
aproximação de Vogel (VAM), o método da pedra de passagem (Stepping Stone Method)
e o método húngaro. Além disso, será descrito o procedimento para a solução de
problemas não balanceados.
132
AULA 1 – PROBLEMA
DE TRANSPORTE
Nessa seção vamos nos focar sobre os problemas de transporte, os quais possuem
diversas aplicações envolvendo a determinação de como transportar mercadorias de
forma otimizada. Todavia, é importante destacar que existem aplicações dos problemas
de transporte que não estão necessariamente relacionadas ao transporte (por exemplo,
determinar o cronograma de produção).
133
Considere o seguinte exemplo prático para a aplicação do problema de transporte:
134
Considere o seguinte exemplo:
Uma empresa possui 3 fábricas (F1, F2 e F3) e duas centrais de distribuição (D1
e D2). As capacidades das 3 fábricas para o próximo trimestre são 1000, 1500 e 1200
carros. As demandas trimestrais das duas centrais de distribuição são 2300 e 1400
carros. O mapa das distâncias, em km, entre as fábricas e as centrais de distribuição é
mostrados a seguir:
D1 D2
F1 1000 2690
F2 1250 1350
F3 1275 850
D1 D2
F1 80 215
F2 100 108
F3 102 68
Note que os coeficientes 𝑐𝑖𝑗 de cada incógnita 𝑥𝑖𝑗 são os custos de transporte de
cada carro entre Fi e Dj. Além disso, 𝑥𝑖𝑗 são as quantidades de carros transportadas
entre Fi e Dj. Observe que, da forma como a tabela foi montada, o índice 𝑖 representa
cada linha (cada fábrica) e o 𝑗 representa cada coluna (cada depósito).
Temos também que cada fábrica (F1, F2 e F3) pode transportar carros para duas
opções (D1 e/ou D2). As fábricas estão sujeitas às seguintes restrições de capacidade:
135
-Quantidade de veículos transportados de F3 para D1 e D2:
𝑥31 + 𝑥32 = 1200
Note que o suprimento total (1000 + 1500 + 1200 = 3700) é igual à demanda total
(2300 + 1400 = 3700).
Sujeito a:
𝑥11 + 𝑥12 = 1000
𝑥21 + 𝑥22 = 1500
𝑥31 + 𝑥32 = 1200
𝑥11 + 𝑥21 + 𝑥31 = 2300
𝑥12 + 𝑥22 + 𝑥32 = 1400
𝑥𝑖𝑗 ≥ 0; 𝑖 = 1,2,3; 𝑗 = 1,2
Para solucionar esse problema, devemos aplicar o método das duas fases. Em
primeiro lugar deve-se mudar a função objetivo:
Min 𝑍 = Max − 𝑍
−𝑍 = −80𝑥11 − 215𝑥12 − 100𝑥21 − 108𝑥22 − 102𝑥31 − 68𝑥32
−𝑍 + 80𝑥11 + 215𝑥12 + 100𝑥21 + 108𝑥22 + 102𝑥31 + 68𝑥32 = 0
136
E adicionar as variáveis auxiliares:
𝑥11 + 𝑥12 + 𝑎1 = 1000
𝑥21 + 𝑥22 + 𝑎2 = 1500
𝑥31 + 𝑥32 + 𝑎3 = 1200
𝑥11 + 𝑥21 + 𝑥31 + 𝑎4 = 2300
𝑥12 + 𝑥22 + 𝑥32 + 𝑎5 = 1400
Em que:
𝑊 = 𝑎1 + 𝑎2 + 𝑎3 + 𝑎4 + 𝑎5
Como:
𝑎1 = 1000 − 𝑥11 − 𝑥12
𝑎2 = 1500 − 𝑥21 − 𝑥22
𝑎3 = 1200 − 𝑥31 + 𝑥32
𝑎4 = 2300 − 𝑥11 + 𝑥21 + 𝑥31
𝑎5 = 1400 − 𝑥12 + 𝑥22 + 𝑥32
Então:
𝑊 = 7400 − 2𝑥11 − 2𝑥12 − 2𝑥21 − 2𝑥22 − 2𝑥31 − 2𝑥32
137
Podemos escolher qualquer coeficiente (pois todos valem -2 na função objetivo
auxiliar 𝑊). Escolhendo o coeficiente de 𝑥11 , temos 𝑏/𝑥11 :
138
Temos então a seguinte solução ótima:
𝑥11 = 1000
𝑥12 = 0
𝑥21 = 1300
𝑥22 = 200
𝑥31 = 0
𝑥32 = 1200
𝑍 = 313200
139
Vamos considerar o exemplo anterior, mas agora a capacidade de F2 será de 1300
(ao invés de 1500). Nesse caso, o suprimento total (= 3500) é menor do que a demanda
total (= 3700), o que significa dizer que parte da demanda de D1 e D2 não será satisfeita.
Sujeito a:
𝑥11 + 𝑥12 = 1000
𝑥21 + 𝑥22 = 1300
𝑥31 + 𝑥32 = 1200
𝑥41 + 𝑥42 = 200
𝑥11 + 𝑥21 + 𝑥31 + 𝑥41 = 2300
𝑥12 + 𝑥22 + 𝑥32 + 𝑥42 = 1400
𝑥𝑖𝑗 ≥ 0; 𝑖 = 1,2,3,4; 𝑗 = 1,2
𝑥11 = 1000
𝑥12 = 0
𝑥21 = 1300
𝑥22 = 0
𝑥31 = 0
𝑥32 = 1200
𝑥41 = 0
𝑥42 = 200
𝑍 = 291600
140
Note que a solução ótima demonstra que a fábrica fictícia (F4) despacha 200
carros para D2. Isso significa que D2 deixará de receber 200 carros (pois F4 não existe),
isto é, D2 receberá 1200 carros (1400 – 200). Além disso, temos que o custo mínimo de
transporte para esse caso foi de R$ 291.600,00.
Um outro caso seria o fornecimento total ser maior do que a demanda total. Nesse
caso, deve-se adicionar um destino fictício para balancear o problema de transporte.
Vamos considerar que a demanda de D1 seja de 1900 (no lugar de 2300). Nesse caso, o
fornecimento é 1000 + 1500 + 1200 = 3700, enquanto a demanda é 1900 + 1400 = 3300.
Assim, devemos adicionar uma central de distribuição fictícia (D3) para receber esse
excedente (de 3700 – 3300 = 400 carros). Novamente, o custo de transporte até esse
destino é igual a 0 (pois ele não existe!).
Sujeito a:
𝑥11 + 𝑥12 + 𝑥13 = 1000
𝑥21 + 𝑥22 + 𝑥23 = 1500
𝑥31 + 𝑥32 + 𝑥33 = 1200
𝑥11 + 𝑥21 + 𝑥31 = 1900
𝑥12 + 𝑥22 + 𝑥32 = 1400
𝑥13 + 𝑥23 + 𝑥33 = 400
𝑥𝑖𝑗 ≥ 0; 𝑖 = 1,2,3; 𝑗 = 1,2,3
𝑥11 = 1000
𝑥12 = 0
𝑥13 = 0
𝑥21 = 900
𝑥22 = 200
𝑥23 = 400
𝑥31 = 0
𝑥32 = 1200
𝑥33 = 0
𝑍 = 273200
141
A solução ótima mostra que a fábrica F2 terá um excedente de 400 carros (pois
D3 não existe!). Isso significa que F2 produzirá 400 carros a menos do que a sua
capacidade, isto é, produzirá 1100 carros (1500 – 400) Além disso, temos que o custo
mínimo de transporte para esse caso foi de R$ 273.200,00.
Etapa 1: Determinar uma solução básica inicial viável. Passe para Etapa 2.
Etapa 2: Testar a condição de otimalidade do método Simplex para determinar a
variável que entra, dentre as variáveis não básica. Se a condição de otimalidade
for satisfeita, pare (solução ótima). Caso contrário, passe para Etapa 3.
Etapa 3: Usar a condição de viabilidade do método Simplex para obter a variável
que sai, dentre as variáveis básicas (nova solução básica). Volte para a Etapa 2.
142
Essa estrutura especial do problema de transporte permite obter uma solução
básica inicial não artificial por meio de um dos seguintes métodos:
143
Em primeiro lugar, para a resolução de um problema de transporte por meio de
métodos alternativos, é preciso construir uma tabela contendo os dados do problema
como sugerido a seguir:
Observe que o modelo está balanceado, ou seja, o total de produção (40 + 80 + 110
= 230) é igual ao total da demanda (20 + 30 + 100 + 80 = 230). Caso o problema estivesse
desbalanceado, seria preciso utilizar o artifício da origem fictícia ou destino fictício
estudados na seção anterior.
144
Note que esse problema possui 12 trajetos possíveis entre fábricas e depósitos (ou
seja, 𝑚 ∙ 𝑛 = 4 ∙ 3 = 12). Contudo, sabe-se que a solução ótima (que é uma solução básica)
utilizará apenas 𝑚 + 𝑛 − 1 = 4 + 3 − 1 = 6 desses trajetos para transportar os produtos
(são apenas 6 variáveis básicas). Logo, a solução básica viável inicial terá apenas 6
valores de variáveis de decisão diferentes de zero (não nulos).
𝑥11 = 20
𝑥12 = 20
𝑥22 = 10
𝑥23 = 70
𝑥33 = 30
𝑥34 = 80
As demais variáveis (variáveis não básicas) são iguais a zero.
145
É possível calcular o custo total de transporte (𝑍) para essa primeira solução. Pela
tabela, temos que:
𝑍 = 10𝑥11 + 5𝑥12 + 12𝑥13 + 4𝑥14 + 2𝑥21 + 0𝑥22 + 𝑥23 + 9𝑥24 + 13𝑥31 + 11𝑥32 + 14𝑥33 + 6𝑥34
Assim:
𝑍 = 10 ∙ 20 + 5 ∙ 20 + 0 ∙ 10 + 70 + 14 ∙ 30 + 6 ∙ 80 = 1270
O método do menor custo também é um método usado para encontrar uma solução
básica inicial viável. Ele consiste em atribuir o máximo valor transportável do produto
às células com menores custos unitários de transporte (empates são resolvidos
arbitrariamente). Na prática, a primeira célula escolhida será aquela que possuir o
menor custo unitário de transporte, na sequência a segunda maior, e assim por diante,
em ordem crescente de custo unitário de transporte.
146
A tabela a seguir apresenta a solução via método do menor custo:
O passo-a-passo para obter essa solução é: o menor custo está na célula da linha
2 e coluna 2 (valor 0). Atribuindo o máximo valor possível (que é 30) esgota-se a coluna
2. O segundo menor valor está na linha 2 e coluna 3 (valor 1). Atribuindo o máximo valor
possível (que é 50) esgota-se a linha 2. O menor valor entre as linhas restantes (1 e 3) é
4 que corresponde a linha 1 e coluna 4. Atribuindo o máximo valor possível (que é 40)
esgota-se a linha 1. Na linha restante (linha 3) a célula com menor valor é a linha 3 e
coluna 4 (valor 6) e podemos atribuir até 40 unidades a ela (esgotando-se a coluna 4).
Das duas células restantes, a que tem o menor valor é a linha 3 e coluna 1, que podemos
atribuir até 20 unidades a ela (esgotando a coluna 1). Por fim, as unidades restantes
(50) serão atribuídas a linha 3 e coluna 3, esgotando-se a linha 3 e a coluna 3.
𝑥14 = 40
𝑥22 = 30
𝑥23 = 50
𝑥31 = 20
𝑥33 = 50
𝑥34 = 40
As demais variáveis (variáveis não básicas) são iguais a zero. Observe novamente
que a solução básica contém 6 variáveis básicas (não nulas).
É possível calcular o custo total de transporte (𝑍) para essa primeira solução. Pela
tabela, temos que:
𝑍 = 10𝑥11 + 5𝑥12 + 12𝑥13 + 4𝑥14 + 2𝑥21 + 0𝑥22 + 𝑥23 + 9𝑥24 + 13𝑥31 + 11𝑥32 + 14𝑥33 + 6𝑥34
Assim:
𝑍 = 4 ∙ 40 + 0 ∙ 30 + 50 + 13 ∙ 20 + 14 ∙ 50 + 6 ∙ 40 = 1410
147
Ou seja, apesar de utilizar-se um método de inicialização que leva em
consideração os custos unitários de transporte de cada célula, o custo resultante (1410)
foi maior do que aquele (1270) obtido ao se utilizar o método do canto noroeste, o qual
ignora os custos unitários de transporte. Todavia é mais comum que o método do menor
custo encontre uma solução básica inicial mais próxima da solução ótima.
De fato, não há como descobrir, a priori, qual dos dois métodos de inicialização
(canto noroeste ou menor custo) gerará uma solução inicial melhor, no sentido de
diminuir o número de iterações necessárias para se atingir o valor ótimo do custo total.
Em todo o caso, independentemente do método de inicialização escolhido, a etapa
seguinte deverá aplicar um método para verificar a possibilidade de diminuir esse custo
total de transporte, obtendo-se uma nova solução básica (solução ótima) quando ela
existir.
Vantagem: na grande maioria dos casos, consegue-se uma solução inicial mais
próxima da solução ótima, exigindo, em média, um número menor de iterações
que o método do canto noroeste.
Desvantagem: mais trabalhoso do que o método do canto noroeste.
148
Considere novamente a tabela do exemplo anterior:
O passo-a-passo para obter essa solução é: a maior diferença (maior multa) ocorre
para a coluna 3 (12 – 1 = 11). Devemos alocar 80 unidades para a célula da linha 2 e
coluna 3 (de menor valor), esgotando-se a linha 2 (cujas células não serão mais
consideradas no cálculo da nova multa).
Agora, a maior multa ocorre para a coluna 2 (11 – 5 = 6). Devemos alocar 30
unidades para a célula da linha 1 e coluna 2 (de menor valor), esgotando-se a coluna 2
(cujas células não serão mais consideradas no cálculo da nova multa).
149
Agora, a maior multa ocorre para a linha 3 (13 – 6 = 7). Devemos alocar 80
unidades para a célula da linha 3 e coluna 4 (de menor valor), esgotando-se a coluna 4
(cujas células não serão mais consideradas no cálculo da nova multa).
Agora, a maior multa ocorre para a coluna 1 (13 – 10 = 3). Devemos alocar 10
unidades para a célula da linha 1 e coluna 1 (de menor valor), esgotando-se a linha 1
(cujas células não serão mais consideradas no cálculo da nova multa).
150
A partir desse quadro, chegou-se ao seguinte resultado (solução básica inicial):
𝑥11 = 10
𝑥12 = 30
𝑥23 = 80
𝑥31 = 10
𝑥33 = 20
𝑥34 = 80
As demais variáveis (variáveis não básicas) são iguais a zero. Observe mais uma
vez que a solução básica contém 6 variáveis básicas (não nulas).
É possível calcular o custo total de transporte (𝑍) para essa primeira solução. Pela
tabela, temos que:
𝑍 = 10𝑥11 + 5𝑥12 + 12𝑥13 + 4𝑥14 + 2𝑥21 + 0𝑥22 + 𝑥23 + 9𝑥24 + 13𝑥31 + 11𝑥32 + 14𝑥33 + 6𝑥34
Assim:
𝑍 = 10 ∙ 10 + 5 ∙ 30 + 80 + 13 ∙ 10 + 14 ∙ 20 + 6 ∙ 80 = 1220
Observe que essa foi a melhor solução básica inicial encontrada até agora, ou seja,
foi a solução que apresentou menor custo total. Isso significa que, ao aplicar o método
para buscar a solução ótima, é muito provável que o número de iterações seja menor.
151
Método da pedra de passagem (Stepping Stone Method):
Uma vez obtida uma solução básica inicial viável, passa-se a verificar se há a
possibilidade de diminuir esse custo total de transporte, utilizando-se outro plano de
entrega do produto. Voltemos à solução inicial encontrada via método do canto noroeste:
𝑥11 = 20
𝑥12 = 20
𝑥22 = 10
𝑥23 = 70
𝑥33 = 30
𝑥34 = 80
Em que as demais variáveis (variáveis não básicas) são iguais a zero.
Por exemplo, considere a entrada da variável não básica 𝑥21 (que é nula na solução).
Essa variável diz respeito ao uso do trajeto que liga a origem O 2 até o destino D1. Nesse caso:
Para enviar uma unidade do produto de O2 para D1, deve-se diminuir uma
unidade no percurso O1D1 (ou seja, fazer 𝑥11 = 19) senão O1 receberá mais que as
20 unidades do produto previstas;
Porém para diminuir uma unidade em O1D1, deve-se aumentar uma unidade em
O1D2 (ou seja, fazer 𝑥12 = 21) para se manter o total de 40 unidades produzidas
em O1;
Aumentando uma unidade em O1D2 deve-se diminuir uma unidade em O 2D2 (ou
seja, fazer 𝑥22 = 9), o que irá compensar exatamente aquela unidade colocada
inicialmente em O2D1 (mantendo também o total de O2 igual a 80).
152
A figura a seguir apresenta o chamado “ciclo de compensação” para a variável não
básica 𝑥21 .
De forma análoga, pode-se analisar cada uma das outras variáveis não básicas,
com outros ciclos de compensação. Por exemplo, o do trajeto O3D1 (para a variável não
básica 𝑥31 ) é mostrado a seguir:
Calculando o custo marginal para as demais variáveis não básicas (aplicando esse
mesmo método do ciclo de compensação para as outras variáveis não básicas), chega-se
em:
∆𝐶32 = −2/unidade
∆𝐶13 = +6/unidade
∆𝐶14 = +6/unidade
∆𝐶24 = +16/unidade
153
Sobre esse exemplo, é importante observar que:
Em uma dada solução básica, para cada variável não básica há um único ciclo de
compensação, o qual tem alternadamente sinais positivos e negativos e
envolvendo um número ímpar de variáveis básicas, sendo no mínimo 3 (pois para
formar um ciclo é preciso que se tenha um número par e de no mínimo 4 variáveis
contando com a variável não básica);
Na prática os custos marginais devem ser avaliados e colocados na respectiva
célula, conforme mostrado na próxima tabela;
Observe que as variáveis não básicas 𝑥13 , 𝑥14 e 𝑥24 possuem custos marginais
positivos, ou seja, cada unidade de produto transportada pelos trajetos associados
a elas ocasiona um aumento no custo total de transporte. Logo, essas variáveis
não podem se tornar variáveis básicas nessa iteração.
Uma vez que no problema busca-se minimizar o custo total de transporte, pode-
se optar por uma das variáveis não básicas que possuem custos marginais negativos
(isto é, 𝑥21 , 𝑥31 , ou 𝑥32 ) para se tornarem variáveis básicas numa próxima solução básica
viável (tornando o custo total de transporte menor do que 1270, ou seja, 𝑍2 < 𝑍1 = 1270).
Para se continuar com uma solução básica viável contendo 6 variáveis básicas,
deve-se retirar uma variável básica para a entrada de uma variável não básica. É
importante observar que essa variável básica que irá sair deve pertencer ao ciclo de
compensação da variável não básica que irá entrar. Essa variável básica será aquela
que possui o menor número de unidades do produto, as quais serão “doadas” para a
variável não básica que entrará no lugar dela.
154
Considerando cada uma das variáveis não básicas (com seus custos marginais)
multiplicado pela variável básica pertencente ao seu ciclo de compensação com menor
quantidade de produtos, chega-se as seguintes conclusões:
A entrada de 𝑥21 provocará a saída de 𝑥22 (variável básica do seu ciclo de compensação
com menor número de unidades), reduzindo o custo total em −3 ∙ 10 = – 30 .
A entrada de 𝑥31 provocará a saída de 𝑥22 (variável básica do seu ciclo de compensação
com menor número de unidades), reduzindo o custo total em −5 ∙ 10 = – 50 .
A entrada de 𝑥32 provocará a saída de 𝑥22 (variável básica do seu ciclo de compensação
com menor número de unidades), reduzindo o custo total em −2 ∙ 10 = – 20 .
Como a variável básica que mais contribui para a redução do custo total de
transporte é 𝑥31 , ela que deverá entrar na base e portanto 𝑥22 irá sair da base. Assim, 𝑥22 doará
as suas 10 unidades para 𝑥31 gerando uma nova solução básica (iteração 2) em que 𝑥31 = 10 e
𝑥22 = 0 (ou seja, passou a ser uma variável não básica).
É importante destacar que alguns autores adotam como critério para entrar na base a
variável não básica que possui o custo marginal com maior valor negativo (nesse exemplo,
também seria escolhido 𝑥31 , uma vez que ele possui o maior valor negativo para o custo
marginal).
𝑍2 = 1270 − 50 = 1220
Observe que, dessa vez, todos os custos marginais são positivos. Isso significa que
a entrada de qualquer variável não básica apenas aumentaria o custo total de
transporte. Em outras palavras, pode-se afirmar que essa solução é ótima e, portanto, o
custo mínimo é 1220.
155
A partir desse quadro, tem-se que a solução ótima é (programa de entregas ótimo):
Note que essa solução foi a mesma encontrada pelo método de aproximação de
Vogel, o que comprova a eficácia de ambos os métodos (ou seja, o método de aproximação
de Vogel encontra boas soluções básicas iniciais, próximas ou até mesmo a própria
solução ótima; e o método da pedra de passagem, ou stepping stone method, é capaz de
obter a solução ótima de um problema cuja a solução básica inicial não é ótima).
156
AULA 2 – PROBLEMA
DE DESIGNAÇÃO
157
Para se adequar à definição de um problema de designação, as aplicações devem
satisfazer as seguintes hipóteses:
Os problemas que satisfazem todas essas hipóteses podem ser resolvidos de forma
eficiente por algoritmos desenvolvidos para solução de problemas de designação.
Para esses casos é possível utilizar a mesma lógica adotada nos problemas de
transporte não balanceados. Pode-se reformular o problema (balancear o problema de
designação) criando “designados fictícios” ou “tarefas fictícias” quando necessárias. Se
houverem mais tarefas do que designados, criamos “designados fictícios” para encontrar
a solução do problema. Da mesma forma, se houverem mais designados do que tarefas,
criamos “tarefas fictícias” para encontrar a solução do problema (igualando o número de
tarefas ao número de designados). Em qualquer um dos casos, todos os elementos
associados na matriz de custos são iguais a zero (por ser “fictício”).
Considere o seguinte modelo geral de designação contendo 𝑛 trabalhadores
(designados) e 𝑛 tarefas:
158
Cada elemento 𝑐𝑖𝑗 representa o custo de designar o trabalhador 𝑖 à tarefa 𝑗 (sendo
𝑖, 𝑗 = 1, 2, 3..., 𝑛). É importante destacar que não há prejuízo nessa generalidade do
modelo (de considerarmos iguais os números de trabalhadores e tarefas), tendo em vista
que podemos adicionar “trabalhadores fictícios” ou “tarefas fictícias” quando necessário
para balancear o problema de designação.
Sr. Klyne escolheu três tarefas para seus filhos (John, Karen e Terri): 1-cortar a
grama, 2-pintar a porta da garagem e 3-lavar os carros da família. Cada filho disse ao
pai quanto gostaria de receber de cada tarefa. Assim, o pai decidiria qual a tarefa cada
filho iria executar de forma a minimizar seus custos. A tabela a seguir mostra os custos
de cada filho para executar cada tarefa:
Com base nessas informações, determine a forma como o Sr. Klyne deve designar
as tarefas para minimizar o custo total.
159
Se, por exemplo, 𝑥31 = 1, então isso significa que Terri (𝑖 = 3) foi designado a cortar
a grama (𝑗 = 1). Naturalmente, nesse caso, teríamos o valor 0 para as demais variáveis
de decisão associadas ao Terri, isto é, 𝑥32 = 0 e 𝑥33 = 0.
Como cada filho só pode executar uma única tarefa, temos as seguintes restrições
para os filhos:
𝑥11 + 𝑥12 + 𝑥13 = 1
𝑥21 + 𝑥22 + 𝑥23 = 1
𝑥31 + 𝑥32 + 𝑥33 = 1
Como cada tarefa só pode ser executada por um único filho, temos as seguintes
restrições para as tarefas:
𝑥11 + 𝑥21 + 𝑥31 = 1
𝑥12 + 𝑥22 + 𝑥32 = 1
𝑥13 + 𝑥23 + 𝑥33 = 1
Sujeito a:
𝑥11 + 𝑥12 + 𝑥13 = 1
𝑥21 + 𝑥22 + 𝑥23 = 1
𝑥31 + 𝑥32 + 𝑥33 = 1
𝑥11 + 𝑥21 + 𝑥31 = 1
𝑥12 + 𝑥22 + 𝑥32 = 1
𝑥13 + 𝑥23 + 𝑥33 = 1
𝑥𝑖𝑗 ≥ 0, 𝑖, 𝑗 = 1,2,3
160
Após a aplicação do método Simplex, chega-se a seguinte tabela final:
𝑥11 = 0
𝑥12 = 1
𝑥13 = 0
𝑥21 = 1
𝑥22 = 0
𝑥23 = 0
𝑥31 = 0
𝑥32 = 0
𝑥33 = 1
𝑍 = 27
A solução ótima mostra que John deve pintar (𝑥12 = 1), Karen deve cortar (𝑥21 =
1) e Terri deve lavar (𝑥33 = 1). E que o custo total para esse problema de designação foi
de $ 27,00.
161
Solução do problema de designação pelo método húngaro
Sr. Klyne escolheu três tarefas para seus filhos (John, Karen e Terri): 1-cortar a
grama, 2-pintar a porta da garagem e 3-lavar os carros da família. Cada filho disse ao
pai quanto gostaria de receber de cada tarefa. Assim, o pai decidiria qual a tarefa cada
filho iria executar de forma a minimizar seus custos. A tabela a seguir mostra os custos
de cada filho para executar cada tarefa:
Com base nessas informações, determine a forma como o Sr. Klyne deve designar
as tarefas para minimizar o custo total.
162
A segunda etapa consiste em, na matriz resultante da primeira etapa,
identificarmos o mínimo de cada coluna (𝑞𝑗 ) e subtraí-lo de todas as entradas das
colunas, como mostrado a seguir (é importante observar que essa etapa poderia ter sido
realizada antes da anterior):
Observando os elementos zero sublinhados, temos que na solução ótima John irá
pintar, Karen irá cortar e Terri irá lavar (mesma solução que encontramos com o método
simplex na seção anterior).
A segunda forma de calcular o custo total é a partir da soma dos mínimos das
linhas e das colunas, ou seja, (𝑝1 + 𝑝2 + 𝑝3 ) + (𝑞1 + 𝑞2 + 𝑞3 ) = (9 + 9 + 8) + (0 + 1 + 0) =
27.
163
É importante observar que as etapas do método húngaro funcionaram muito bem
no exemplo anterior pois as entradas zero na matriz final produzem uma designação
viável (ou seja, uma tarefa diferente é designada a cada filho). Em alguns casos, os zeros
criados na primeira e na segunda etapa podem não resultar diretamente em uma
solução viável. Nesse caso são necessárias mais etapas para encontrar a designação
ótima (viável). O próximo exemplo demonstra essa situação:
Note que as localizações das entradas zero não permitem designar tarefas únicas
a todos os filhos (temos, por exemplo, os filhos 1 e 3 realizando a tarefa 1, os filhos 2 e 4
realizando a tarefa 3, o filho 2 realizando as tarefas 2 e 3 e o filho 4 realizando as tarefas
3 e 4). Isso significa que, por exemplo, se designarmos a Tarefa 1 ao Filho 1 então a
coluna 1 será eliminada fazendo com que o Filho 3 não tenha nenhuma tarefa designada
a ele (pois ele não possui entrada zero nas três colunas restantes).
164
Esse obstáculo pode ser eliminado ao adicionarmos as seguintes etapas ao nosso
procedimento:
Se não conseguirmos garantir uma designação viável (com todas as entradas zero)
pela primeira e pela segunda etapa, então devemos traçar o número mínimo de linhas
horizontais e verticais na última matriz de forma a abranger todas as entradas zero (o
número mínimo ocorre ao pegarmos a primeira coluna, a segunda linha e a quarta
linha), como mostrado na tabela a seguir:
Em seguida devemos selecionar a menor entrada não abrangida (que não faz
parte dessas linhas e colunas escolhidas). Nesse caso, é a entrada 1, destacada em itálico
na tabela anterior.
Em seguida, todas as entradas não abrangidas devem ser subtraídas desse valor
(1), inclusive ela mesma. Já as entradas que são interseções entre linhas horizontais e
verticais (no caso o 2 e 3, destacados em negrito na tabela anterior), devem ser
adicionadas desse valor (1). Por fim, as demais entradas não serão alteradas (as demais
entradas abrangidas permanecerão com o mesmo valor). Com isso chegamos a seguinte
tabela:
165
Se não fosse possível encontrar uma solução viável com as entradas zero
resultantes, deveríamos voltar a essa primeira etapa adicional (traçando novamente o
número mínimo de linhas horizontais e verticais que abrangem todos os zero). Contudo,
como nesse caso a tabela possui o número de zeros sublinhados igual ao número de
linhas (ou colunas) da matriz (4), a solução encontrada é ótima (etapa 3 do algoritmo,
explicada no exemplo anterior).
Note que a única designação para o Filho 1 é a Tarefa 1. Com isso podemos
remover a coluna 1 e a linha 1, restando apenas as 3 demais colunas (2, 3 e 4) e 3 linhas
(2, 3 e 4). Nessa nova tabela, a melhor designação para o Filho 3 é a Tarefa 2 (coluna 2),
pois é a que tem o menor custo (custo 1). Com isso podemos remover a coluna 2 e a linha
3, restando as 2 demais colunas (3 e 4) e linhas (2 e 4). Nessa nova tabela, a única
designação para o Filho 2 é a Tarefa 3 (coluna 3). Com isso podemos remover a coluna 3
e a linha 2, restando apenas a coluna 4 e a linha 4. Isso significa que a Tarefa 4 será
designada para o Filho 4, que é a solução ótima do problema.
Note também que, pelo fato de o custo associado ao filho 3 ser igual a 1 (no lugar
de 0), no cálculo do custo por meio das somas de 𝑝𝑖 e 𝑞𝑗 foi adicionado o valor de 1.
166
Em problemas não balanceados (em que o número de designados é diferente do
número de tarefas), devemos criar designados fictícios ou tarefas fictícias. Se por
exemplo tivermos 3 designados e 4 tarefas, devemos criar um designado fictício, que
significa criar mais uma linha a matriz de custos em que todos os elementos são iguais
a zero (por ser fictício, o custo desse designado realizar qualquer tarefa é zero). No caso
de termos, por exemplo, 4 designados e 3 tarefas, devemos criar uma tarefa fictícia, que
significa criar mais uma coluna na matriz de custos em que todos os elementos são iguais
a zero (por ser fictício, o custo de qualquer designado realizar essa tarefa será igual a
zero).
É importante destacar ainda que uma das condições para uso do método húngaro
é que o problema deve ser de minimização. Caso o problema seja de maximização (por
exemplo, se a matriz de custos fosse na verdade uma matriz de ganhos), basta
transformá-lo em um problema de minimização, multiplicando todas as entradas da
função objetivo por -1 (daí o maior valor se tornaria o menor valor e vice-versa; além
disso, é preciso multiplicar o valor do ganho por -1, uma vez que a função objetivo foi
multiplicada por -1 no início do problema, tornando o seu valor positivo).
167
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 3
(1) ENADE 2019 – Engenheiro de Produção
Uma empresa possui três fábricas, localizadas em São Paulo, Manaus e Recife, as quais
devem abastecer consumidores de duas regiões do Brasil: Sudeste e Nordeste. As tabelas
a seguir apresentam dados sobre as fábricas e os centros consumidores em questão.
Define-se a variável de decisão do problema como sendo 𝑥𝑖𝑗 , quantidade de produtos (em
milhares de unidades) enviados da fábrica 𝑖 para o centro consumidor 𝑗, em que 𝑖 = 1
(São Paulo), 2 (Manaus) ou 3 (Recife) e 𝑗 = 1 (Sudeste) ou 2 (Nordeste).
São, então, propostas as seguintes opções para os envios:
• opção 1: 𝑥11 = 2 500, 𝑥21 = 0, 𝑥31 = 0, 𝑥12 = 0, 𝑥22 = 500, 𝑥32 = 1 000;
• opção 2: 𝑥11 = 2 000, 𝑥21 = 0, 𝑥31 = 500, 𝑥12 = 0, 𝑥22 = 300, 𝑥32 = 1 200;
• opção 3: 𝑥11 = 2 000, 𝑥21 = 500, 𝑥31 = 0, 𝑥12 = 0, 𝑥22 = 500, 𝑥32 = 1 000;
• opção 4: 𝑥11 = 1 500, 𝑥21 = 0, 𝑥31 = 1 000, 𝑥12 = 500, 𝑥22 = 500, 𝑥32 = 0.
Com base nessa situação, considerando que as demandas dos consumidores devem ser
atendidas, avalie as afirmações a seguir.
I. As opções 1 e 2 são inviáveis, pois nelas há extrapolação da capacidade das fábricas.
II. A opção 3 é viável, pois todas as demandas dos consumidores são atendidas, sem que
haja extrapolação da capacidade das fábricas.
III. A opção 4 é viável, pois todas as demandas dos consumidores são atendidas, sem
que haja extrapolação da capacidade das fábricas.
É correto o que se afirma em
A. I, apenas.
B. III, apenas.
C. I e II, apenas.
D. II e III, apenas.
E. I, II e III.
168
(2) CESGRANRIO - 2018 - Petrobras - Engenheiro de Produção Júnior [Adaptada]
Uma empresa possui dois depósitos para fornecer seus produtos em três cidades
diferentes. A Tabela a seguir apresenta os custos de transportes de cada um dos
depósitos para cada uma das cidades. Os depósitos 1 e 2 têm capacidades para
armazenar, respectivamente, 300 e 400 unidades do produto. As cidades 1, 2 e 3 têm,
respectivamente, demandas de 100, 350 e 250.
B. Método de Markov
E. Método de Vogel
169
(4) CESGRANRIO - 2014 - EPE - Analista de Pesquisa Energética
A.
B.
C.
D.
E.
170
(5) Gestão Concurso - 2018 - EMATER-MG - Engenheiro de Produção
Uma forma rápida de obter uma solução viável para tal problema é usar o Método do
Canto Noroeste.
A. R$ 17.000,00.
B. R$ 54.500,00.
C. R$ 106.000,00.
D. R$ 195.000,00.
171
(6) PUC-PR - 2012 - DPE-PR - Administrador
Três armazéns, designados por A1, A2 e A3, devem ser supridos com mercadoria
produzida em três fábricas, designadas por F1, F2 e F3. A capacidade mensal de cada
fábrica, a demanda mensal de cada armazém, e os custos unitários de transporte de
cada fábrica para cada armazém são dados a seguir
O departamento de Logística deve determinar quanto enviar de cada fábrica para cada
armazém de forma a minimizar o custo total de transporte para a empresa. A matriz de
transporte abaixo apresenta o resultado da decisão.
A. R$ 730/mês
B. R$ 710/mês
C. R$ 980/mês
D. R$ 940/mês
E. R$ 950/mês
172
(7) PUC-PR - 2012 - DPE-PR – Administrador [Adaptado]
Três armazéns, designados por A1, A2 e A3, devem ser supridos com mercadoria
produzida em três fábricas, designadas por F1, F2 e F3. A capacidade mensal de cada
fábrica, a demanda mensal de cada armazém, e os custos unitários de transporte de
cada fábrica para cada armazém são dados a seguir
O departamento de Logística deve determinar quanto enviar de cada fábrica para cada
armazém de forma a minimizar o custo total de transporte para a empresa. Ao aplicar
o método do menor custo, a empresa obteve uma solução básica inicial para esse
problema de transporte.
Utilizando tal método, o custo total de transporte para a solução inicial encontrada foi
de:
A. R$ 710/mês
B. R$ 750/mês
C. R$ 840/mês
D. R$ 920/mês
E. R$ 960/mês
173
(8) Questão de Prova Antiga
Uma empresa pré-selecionou a 4 candidatos para ocupar 4 postos de trabalho, que
consiste em operar 4 máquinas diferentes (um trabalhador para cada máquina). A
empresa testou os 4 candidatos nas 4 máquinas, cada um deles realizou o mesmo
trabalho, em cada uma das máquinas, obtendo-se os seguintes tempos em minutos:
174
D. Min 𝑍 = 10𝑥𝐴1 + 6𝑥𝐴2 + 6𝑥𝐴3 + 5𝑥𝐴4 + 8𝑥𝐵1 + 7𝑥𝐵2 + 6𝑥𝐵3 + 6𝑥𝐵4 + 8𝑥𝐶1 + 6𝑥𝐶2 +
5𝑥𝐶3 + 6𝑥𝐶4 + 9𝑥𝐷1 + 7𝑥𝐷2 + 7𝑥𝐷3 + 6𝑥𝐷4
10𝑥𝐴1 + 6𝑥𝐴2 + 6𝑥𝐴3 + 5𝑥𝐴4 = 1
8𝑥𝐵1 + 7𝑥𝐵2 + 6𝑥𝐵3 + 6𝑥𝐵4 = 1
8𝑥𝐶1 + 6𝑥𝐶2 + 5𝑥𝐶3 + 6𝑥𝐶4 = 1
9𝑥𝐷1 + 7𝑥𝐷2 + 7𝑥𝐷3 + 6𝑥𝐷4 = 1
10𝑥𝐴1 + 8𝑥𝐵1 + 8𝑥𝐶1 + 9𝑥𝐷1 = 1
6𝑥𝐴2 + 7𝑥𝐵2 + 6𝑥𝐶2 + 7𝑥𝐷2 = 1
6𝑥𝐴3 + 6𝑥𝐵3 + 5𝑥𝐶3 + 7𝑥𝐷3 = 1
5𝑥𝐴4 + 6𝑥𝐵4 + 6𝑥𝐶4 + 6𝑥𝐷4 = 1
𝑥𝑖𝑗 ≥ 0
E. Min 𝑍 = 10𝑥𝐴1 + 6𝑥𝐴2 + 6𝑥𝐴3 + 5𝑥𝐴4 + 8𝑥𝐵1 + 7𝑥𝐵2 + 6𝑥𝐵3 + 6𝑥𝐵4 + 8𝑥𝐶1 + 6𝑥𝐶2 + 5𝑥𝐶3 +
6𝑥𝐶4 + 9𝑥𝐷1 + 7𝑥𝐷2 + 7𝑥𝐷3 + 6𝑥𝐷4
𝑥𝐴1 + 𝑥𝐴2 + 𝑥𝐴3 + 𝑥𝐴4 = 1
𝑥𝐵1 + 𝑥𝐵2 + 𝑥𝐵3 + 𝑥𝐵4 = 1
𝑥𝐶1 + 𝑥𝐶2 + 𝑥𝐶3 + 𝑥𝐶4 = 1
𝑥𝐷1 + 𝑥𝐷2 + 𝑥𝐷3 + 𝑥𝐷4 = 1
𝑥𝐴1 + 𝑥𝐵1 + 𝑥𝐶1 + 𝑥𝐷1 = 1
𝑥𝐴2 + 𝑥𝐵2 + 𝑥𝐶2 + 𝑥𝐷2 = 1
𝑥𝐴3 + 𝑥𝐵3 + 𝑥𝐶3 + 𝑥𝐷3 = 1
𝑥𝐴4 + 𝑥𝐵4 + 𝑥𝐶4 + 𝑥𝐷4 = 1
𝑥𝑖𝑗 ≥ 0
175
(9) CESGRANRIO - 2012 - Petrobras – Analista de Pesquisa Operacional Júnior
Um produto passa por quatro operações em sequência, cada uma executada por uma
máquina diferente. O gerente dessa linha de produção dispõe de uma equipe composta
por quatro funcionários e precisa decidir qual de seus funcionários será responsável por
operar cada máquina de modo a aumentar a produtividade da linha. Dessa forma, o
gerente decide levantar o tempo, em minutos, que cada funcionário (Pedro, José, João e
Manoel) leva, em média, para realizar a operação em cada máquina (1, 2, 3 e 4). Tais
médias são apresentadas na tabela abaixo:
A. 1
B. 2
C. 3
D. 4
E. 2 ou 4, indiferentemente
GABARITO
176
CAPÍTULO 4 – CADEIAS DE MARKOV
1-Processos Estocásticos
2-Processos Markovianos
3-Propriedades das Cadeias de Markov
Comentários do professor
Caros alunos, nesse capítulo do nosso curso serão estudados os fundamentos dos
processos estocásticos e das cadeias de Markov, os quais são muito importantes para a
solução de diversos problemas de Pesquisa Operacional. Dentro desse estudo, serão
descritos os conceitos envolvendo o diagrama de transição de estados e as probabilidades
de transição. Além disso, serão apresentados os processos markovianos, incluindo as
suas propriedades e classificações. Por fim, será deduzida a formulação para diferentes
tipos de problemas, como as probabilidades de estado no equilíbrio, o tempo médio de
retorno, o tempo médio de primeira passagem, o tempo para a absorção e a probabilidade
de absorção.
177
AULA 1 – PROCESSOS
ESTOCÁSTICOS
Nesse exemplo, 𝑋 é uma variável aleatória discreta (pois possui um número finito
de estados: 0, 1 ou 2) e representa a condição de uma máquina na ocasião de uma
manutenção preventiva, a qual é realizada mensalmente. O mês é representado pela
letra 𝑡 (𝑡 = 1 representa o mês 1, 𝑡 = 2 o mês 2...). Logo, a cada mês 𝑡, a condição da
máquina pode ser ruim (𝑋𝑡 = 0), razoável (𝑋𝑡 = 1) e boa (𝑋𝑡 = 2).
Além disso, temos que 𝑋1 é uma variável aleatória que expressa a condição da
máquina no mês 1, 𝑋2 é uma variável aleatória que expressa a condição da máquina no
mês 2 e assim por diante. Portanto, cada mês possui uma variável aleatória: 𝑋1 𝑋2 𝑋3 ...
(que é o mesmo que escrever na forma: 𝑋𝑡 para 𝑡 = 1, 2, 3...), a qual definimos como
processo estocástico. Logo, se escrevermos, por exemplo, 𝑋3 = 1, estamos considerando
que a condição da máquina é razoável no mês 3.
178
Um processo estocástico 𝑋1 𝑋2 𝑋3 ... pode representar ainda a coleção das
quantidades de carros que passam por um determinado ponto de uma rodovia em
diferentes períodos, a evolução dos níveis de estoque semanais de uma firma, o
comportamento de uma partícula de gás ao longo do tempo, variações nas qualidades
dos produtos em diferentes dias, variações nos preços de ações em diversos meses,
vendas numa determinada loja por dia etc.
179
No exemplo a seguir, é destacada a probabilidade de transição do estado 1 para o
estado 1 (ou seja, a probabilidade de a variável aleatória se manter no estado 1) que é
1/3 (ou 0,3333... ou 33,33...%).
180
Uma forma de simplificar a visualização desses valores é através de uma matriz
da seguinte forma (em que o primeiro número corresponde a linha e o segundo a coluna):
Essa matriz acima é conhecida como Matriz de Transição de Estados. Ela é uma
matriz quadrada cujo número de linhas e colunas é igual ao número de estados (no nosso
exemplo são 3). Repare que a soma de todos os elementos de cada linha é sempre 1
(100%). Isso ocorre, pois cada linha representa todas as possibilidades de transições
daquele estado para os outros estados (isto é, todas as possibilidades associadas àquela
variável aleatória).
181
AULA 2 – PROCESSOS
MARKOVIANOS
Imagine uma máquina que possua dois estados (estado 1: não funcionando e
estado 2: funcionando) e o 𝑡 seja o número de vezes que apertamos o botão de ligar da
máquina (isto é, 𝑡 = 1 significa que apertamos uma vez, 𝑡 = 2 significa que apertamos
duas vezes, e assim por diante). Considere que inicialmente a nossa máquina não está
funcionando (estado 1). Se ao apertar o botão ela funcionou, então a máquina foi do
estado 1 (não funcionando) para o estado 2 (funcionando); se ao apertar o botão ela não
funcionou então a máquina se manteve no estado 1 (existe então uma probabilidade de
transição do estado 1 para o 2 e do estado 1 para ele mesmo em função de 𝑡, que é a
quantidade de vezes que apertamos o botão). Vamos supor que essa probabilidade de
transição do estado 1 para o 2 seja de 0,5 e do 1 para o 1 também seja de 0,5 (ou seja,
existe uma probabilidade de 50% de a máquina ir para o estado 2 ou se manter no estado
1 quando apertamos o botão).
182
Até agora temos um processo estocástico (𝑋𝑡 ), em que 𝑋 é uma variável aleatória
que possui dois estados (estado 1: não funcionando e estado 2: funcionando) e 𝑡
representa o número de vezes que apertamos o botão (por exemplo, 𝑋3 representa o
estado da máquina após termos apertado o botão 3 vezes).
Logo, um processo será markoviano se precisar apenas do estado atual para obter
a probabilidade de transição para qualquer estado futuro (as probabilidades de
transição não dependem dos estados anteriores ao atual).
183
Ou seja, se o processo for markoviano, a probabilidade de transição de um estado
atual para o estado seguinte depende apenas do estado atual.
Se a condição do solo neste ano for boa (linha 1), então existe uma probabilidade
para o ano seguinte de 0,2 (20%) de ela se manter boa, de 50% de ela se tornar
razoável (transição do estado 1 para o estado 2) e de 30% de ela se tornar ruim
(transição do estado 1 para o 3);
184
Se a condição do solo neste ano for razoável (linha 2), então existe uma
probabilidade para o ano seguinte de 0 (0%) de ela mudar para boa (ou seja, a
probabilidade de transição do estado 2 para o 1 é igual a 0), de 50% de ela se
manter como razoável (transição do estado 2 para o estado 2) e de 50% de ela se
tornar ruim (transição do estado 2 para o 3);
Se a condição do solo neste ano for ruim (linha 3), então existe uma probabilidade
para o ano seguinte de 0 de ela se tornar boa (transição do estado 3 para o 1), de
0 de ela se tornar razoável (transição do estado 3 para o estado 2) e de 1 (100%)
de ela se tornar ruim (transição do estado 3 para o 3).
Considere que as probabilidades dos estados iniciais seja dada pelo vetor a(0). Um
vetor a(0) = (0 1 0), por exemplo, significa que a probabilidade de o sistema estar no
estado 1 e 3 é igual a 0 e de estar no estado 2 é igual a 100%, ou seja, inicialmente o
sistema está no estado 2. Além disso, considere P uma cadeia de Markov, que representa
uma matriz de transição de estados (apresenta as probabilidades de transição de um
estado atual 𝑖 para um estado futuro 𝑗). Nesse caso, pode-se calcular as probabilidades
absolutas de o sistema estar em um estado 𝑗, após 𝑡 etapas (transições), da seguinte
forma:
a(1) = a(0) ∙ 𝐏
a(2) = a(1) ∙ 𝐏
185
Assim, se multiplicarmos o vetor das probabilidades do estado inicial pela matriz
de transição de estados duas vezes, obteremos o vetor contendo as probabilidades
absolutas após duas transições. Esse raciocínio pode ser estendido até 𝑡 etapas
(transições), resultando em:
a(1) = a(0) ∙ 𝐏
a(8) = a(0) ∙ 𝐏 8
Logo, para obter essas soluções, devemos encontrar os valores de 𝐏 8 e 𝐏16. Vamos
obter esses valores na seguinte sequência:
186
Em seguida, obtém-se 𝐏 4 = 𝐏 2 ∙ 𝐏 2 :
0,1550 0,5800 0,2650 0,1550 0,5800 0,2650
4
𝐏 = (0,1050 0,5400 0,3550) ∙ (0,1050 0,5400 0,3550)
0,0825 0,4900 0,4275 0,0825 0,4900 0,4275
0,10679 0,53295 0,36026
= (0,10226 0,52645 0,37129)
0,09950 0,52193 0,37857
Depois, obtém-se 𝐏 8 = 𝐏 4 ∙ 𝐏 4 :
0,10679 0,53295 0,36026 0,10679 0,53295 0,36026
8
𝐏 = (0,10226 0,52645 0,37129) ∙ (0,10226 0,52645 0,37129)
0,09950 0,52193 0,37857 0,09950 0,52193 0,37857
0,101753 0,525514 0,372733
= (0,101702 0,525435 0,372863)
0,101669 0,525384 0,372863
Por fim, obtém-se 𝐏16 = 𝐏 8 ∙ 𝐏 8 :
0,101753 0,525514 0,372733 0,101753 0,525514 0,372733
𝐏16 = (0,101702 0,525435 0,372863 ) ∙ (0,101702 0,525435 0,372863)
0,101669 0,525384 0,372863 0,101669 0,525384 0,372863
0,101659 0,52454 0,372881
= (0,101659 0,52454 0,372881)
0,101659 0,52454 0,372881
Assim, temos que a(1) = a(0) ∙ 𝐏:
0,30 0,60 0,10
a(1) = (1 0 0) ∙ ( 0,10 0,60 0,30) = (0,30 0,60 0,1)
0,05 0,40 0,55
E que a(8) = a(0) ∙ 𝐏 8 :
0,101753 0,525514 0,372733
(8)
a = (1 0 0) ∙ (0,101702 0,525435 0,372863) = (0,101753 0,525514 0,372733)
0,101669 0,525384 0,372863
E que a(16) = a(0) ∙ 𝐏16 :
0,101659 0,52454 0,372881
a(16) = (1 0 0) ∙ (0,101659 0,52454 0,372881) = (0,101659 0,52454 0,372881)
0,101659 0,52454 0,372881
A solução a(1) = (0,30 0,60 0,1) expressa que se a condição do solo inicialmente era
boa, então a probabilidade após 1 estação (transição) para que ela esteja boa será de 0,3,
para que ela mude para razoável é de 0,6 e para que ela mude para ruim será de 0,1.
187
A solução a(16) = (0,101659 0,52454 0,372881) expressa que se a condição do solo
inicialmente era boa, então a probabilidade após 16 estações (transições) para que ela
esteja boa será de 0,101659, para que ela esteja razoável é de 0,52454 e para que ela
esteja ruim será de 0,372881.
É importante observar que a(8) se assemelha bastante às linhas de P8, e que essa
semelhança fica ainda mais evidente quando comparamos a(16) com P16. Isso significa
que à medida que elevamos o número de transições, as probabilidades absolutas se
tornam independentes do estado inicial (mesmo utilizando outro estado inicial, o
resultado de a(16) seria exatamente o mesmo). Nesse caso, dizemos que as probabilidades
resultantes (de a(16), por exemplo) são probabilidades de estado no equilíbrio (pois elas
independem do estado inicial).
Os estados de uma cadeia de Markov podem ser classificados com base nas
probabilidades de transição 𝑝𝑖𝑗 de 𝐏, como:
Absorvente:
188
Considere novamente o exemplo do jardineiro, cuja cadeia de Markov é:
0,2 0,5 0,3
𝐏 = 0 0,5 0,5)
(
0 0 1
Sobre essa cadeia de Markov, pode-se observar que o estado 3 é absorvente (pois
𝑝33 = 1), ou seja, caso a condição do solo fique ruim, ela se manterá ruim
independentemente da quantidade de etapas seguintes.
Transiente:
Um estado é dito transiente se puder alcançar outro estado, mas não puder voltar
ao estado em que estava a partir de outro estado. Se o estado 𝑗 for transiente, então
temos 𝑝𝑖𝑗 = 0 para algum estado 𝑖. Em outras palavras, um estado 𝑗 é transiente se
existir algum estado 𝑖 que impeça o sistema de retornar ao estado 𝑗. Esse conceito pode
ser entendido a partir do seguinte grafo:
189
Imagine que o nosso sistema estava no estado A. A partir do momento em que o
sistema sair do estado A (ir para B) ele não poderá mais voltar para o estado A (o mesmo
vale para o estado B ao atingir C). Logo, os estados A e B são estados transientes.
Recorrente:
Nesse caso, tem-se que A, B e C são estados recorrentes (não transientes), pois o
sistema sempre pode voltar para qualquer um dos 3 estados (a probabilidade de o
sistema voltar para o estado no qual saiu é de 100%). Observe o próximo grafo:
190
Nesse caso, tem-se A como transiente (pois não se pode retornar a ele), e B e C
como recorrentes (pois se pode retornar a eles).
Periódico:
Um estado é dito periódico se o sistema só puder retornar a ele após 𝑡, 2𝑡, 3𝑡,...
etapas. Isso significa que 𝑝𝑗𝑗 = 0 sempre que o número de etapas 𝑡 não for divisível pelo
período. Esse conceito pode ser entendido a partir do seguinte grafo:
191
Para testar se um estado 𝑗 é ou não é periódico a partir de uma cadeia de Markov,
é preciso testar a periodicidade de 𝐏 t , observando os valores da probabilidade de retorno
a ele 𝑝𝑗𝑗 , para diferentes valores de 𝑡 (𝑡 = 2, 3, 4...). Esses valores só serão positivos no
período correspondente do estado (caso contrário a sua probabilidade de retorno será
igual a zero). Considerando a cadeia de Markov:
0 0,6 0,4
𝐏=( 0 1 0)
0,6 0,4 0
Temos que:
0,24 0,76 0
𝐏2 = ( 0 1 0 )
0 0,76 0,24
0 0,904 0,096
3
𝐏 =( 0 1 0 )
0,144 0,856 0
0,0576 0,9424 0
4
𝐏 =( 0 1 0 )
0 0,9424 0,0576
0 0,97696 0,2304
𝐏5 = ( 0 1 0 )
0,03456 0,96544 0
Note que 𝑝11 e 𝑝33 são positivos para 𝑡 = 0, 2 e 4 e são iguais a zero para 𝑡 = 1, 3 e
5. Isso significa que os estados 1 e 3 são periódicos com período 2. Além disso, observe
que o estado 2 é absorvente.
Não pode existir uma cadeia de Markov em que todos os estados sejam
transientes (ser transiente significa que o sistema não poderá retornar ao estado
– ter todos os estados transientes só seria possível se a cadeia de Markov tivesse
infinitos estados, daí ela poderia ir do estado 1 para o 2, do 2 para o 3, do 3 para
o 4... porém em cadeias de Markov finitas isso nunca poderá ocorrer).
Outro ponto importante é que um estado "capturador" não precisa ser
necessariamente um único estado absorvente, como demonstra o exemplo a
seguir.
192
Considere o seguinte exemplo:
Perceba que os estados 1 e 2 são transientes (o sistema não pode retornar a eles,
uma vez que tenha sido capturado pelos estados 3 e 4). Note que ao atingir o estado 3 o
sistema só pode se manter no estado 3 ou atingir o estado 4 (e no estado 4 só pode se
manter nele ou voltar para o estado 3). Isso significa que os estados 3 e 4 são recorrentes
(ou seja, são não transientes).
Por fim, dizemos que uma cadeia de Markov fechada é ergódica se todos os seus
estados forem recorrentes (não tiver estados transientes) e aperiódicos (não tiver
estados periódicos). Em uma cadeia de Markov ergódica pode-se alcançar qualquer
estado a partir de qualquer estado (todos os estados da cadeia de Markov formam um
único ciclo fechado).
193
Isso significa que uma cadeia de Markov ergódica não pode ter estados
absorventes (pois isso significaria que os outros estados são transientes e também
porque o estado absorvente forma um ciclo fechado com ele mesmo).
Solução:
Note que tanto 𝑝22 quanto 𝑝44 alternam entre 0 e positivo de 2 em 2 transições.
Logo, os estados 2 e 4, além de serem transientes, também são periódicos de período 2.
195
AULA 3 – PROPRIEDADES
DAS CADEIAS DE MARKOV
Além disso, a soma das probabilidades de todos os estados tem que ser igual a 1,
isto é:
∑𝑗 𝜋𝑗 = 𝜋1 + 𝜋2 + 𝜋3 + ⋯ = 1.
196
Considere novamente o problema do jardineiro com fertilizante, cuja cadeia de
Markov é:
Observe que o sistema pode atingir qualquer estado a partir de qualquer estado
(todos os estados são recorrentes) e que não existem estados periódicos. Logo essa cadeia
de Markov é ergódica. Isso significa que ela possui um estado de equilíbrio cujas
probabilidades podem ser calculadas através de:
𝝅=𝝅∙𝐏
Assim, temos:
0,3 0,6 0,1
(𝜋1 𝜋2 𝜋3 ) = (𝜋1 𝜋2 𝜋3 ) ∙ ( 0,1 0,6 0,3 )
0,05 0,4 0,55
Realizando o produto entre as matrizes da direita e igualando aos termos do vetor
da esquerda, chegamos ao seguinte sistema de equações lineares:
𝜋1 = 0,3𝜋1 + 0,1𝜋2 + 0,05𝜋3
𝜋2 = 0,6𝜋1 + 0,6𝜋2 + 0,4𝜋3
𝜋3 = 0,1𝜋1 + 0,3𝜋2 + 0,55𝜋3
𝜋1 + 𝜋2 + 𝜋3 = 1
Pode-se descartar qualquer uma das três primeiras equações (pois elas são
redundantes) e solucionar o sistema linear utilizando as três demais equações (temos
três equações e três incógnitas, basta então solucionarmos o sistema linear).
Descartando, por exemplo, a primeira equação e isolando as incógnitas, chegamos ao
seguinte sistema linear:
0,6𝜋1 − 0,4𝜋2 + 0,4𝜋3 = 0
0,1𝜋1 + 0,3𝜋2 − 0,45𝜋3 = 0
𝜋1 + 𝜋2 + 𝜋3 = 1
197
A solução desse sistema linear é: 𝜋1 = 0,1017, 𝜋2 = 0,5254 e 𝜋3 = 0,3729. Ou seja:
Em que 𝜇11 representa o tempo médio de retorno ao estado 1 (bom), 𝜇22 representa
o tempo médio de retorno ao estado 2 (razoável) e 𝜇33 representa o tempo médio de
retorno ao estado 3 (ruim). Os resultados mostram que levará aproximadamente 10
estações de plantio para que o solo volte a ter uma condição boa, 2 estações para voltar
a um estado razoável e 3 estações para voltar a um estado ruim.
198
Tempo médio de primeira passagem
Contudo, em geral, não conhecemos os valores de cada variável (uma vez que as
variáveis são aleatórias, isto é, não determinística, existe uma probabilidade associada
a cada valor que ela pode assumir). Nesse caso, os tempos de primeira passagem
também serão variáveis aleatórias.
(𝑛)
Considere 𝑓𝑖𝑗 a probabilidade de que o tempo de primeira passagem do estado 𝑖
para o estado 𝑗 seja igual a 𝑛 (ou seja, que o sistema saia do estado 𝑖 e alcance o estado
𝑗 em 𝑛 transições). Para 𝑛 = 1 temos simplesmente a própria probabilidade de transição
do estado 𝑖 para o estado 𝑗:
(1)
𝑓𝑖𝑗 = 𝑝𝑖𝑗
199
Essa equação demonstra que para um sistema chegar ao estado 𝑗 em 2 transições
é preciso que ele passe por um estado 𝑘 ≠ 𝑗 na primeira transição. O termo 𝑝𝑖𝑘
representa a probabilidade de transição do estado 𝑖 para cada estado 𝑘 (primeira
(1)
transição), enquanto o termo 𝑓𝑘𝑗 representa a probabilidade de transição de cada estado
𝑘 para o estado 𝑗. Note que cada termo 𝑝𝑖𝑘 pode ser obtido da matriz de transição de
(1)
estados (cadeia de Markov) e que cada termo 𝑓𝑘𝑗 pode ser calculado da equação anterior.
Note que cada termo 𝑝𝑖𝑘 pode ser obtido da matriz de transição de estados (cadeia
de Markov). Além disso, cada probabilidade de primeira passagem do estado 𝑖 para o
estado 𝑗 em 𝑛 transições (etapas) é obtida de forma recursiva partindo da probabilidade
(1)
de transição em 1 transição (𝑓𝑖𝑗 ).
(𝑛)
Estatisticamente, 𝑓𝑖𝑗 é a distribuição de probabilidades do tempo de primeira
passagem para ir do estado 𝑖 para o estado 𝑗 (probabilidades do tempo de primeira
passagem para cada número de transições, ou tempo, 𝑛).
200
Considere novamente o problema do jardineiro com fertilizante, cuja cadeia de
Markov é:
⋮
(1)
O resultado 𝑓13 = 0,1 representa a probabilidade do tempo de primeira passagem
do estado 1 para o estado 3 ocorrer em 1 transição (𝑛 = 1).
Para 𝑛 = 2, tem-se:
(2) (1) (1) (1)
𝑓13 = ∑ 𝑝1𝑘 𝑓𝑘3 = 𝑝11 𝑓13 + 𝑝12 𝑓23 = 0,3 ∙ 0,1 + 0,6 ∙ 0,3 = 0,21
𝑘≠3
⋮
(2)
O resultado 𝑓13 = 0,21 representa a probabilidade do tempo de primeira
passagem do estado 1 para o estado 3 ocorrer em 2 transição (𝑛 = 2).
Para 𝑛 = 3, tem-se:
(3) (2) (2) (2)
𝑓13 = ∑ 𝑝1𝑘 𝑓𝑘3 = 𝑝11 𝑓13 + 𝑝12 𝑓23 = 0,3 ∙ 0,21 + 0,6 ∙ 0,19 = 0,177
𝑘≠3
⋮
(3)
O resultado 𝑓13 = 0,177 representa a probabilidade do tempo de primeira
passagem do estado 1 para o estado 3 ocorrer em 3 transição (𝑛 = 3).
201
Para 𝑛 = 4, tem-se:
(4) (3) (3) (3)
𝑓13 = ∑ 𝑝1𝑘 𝑓𝑘3 = 𝑝11 𝑓13 + 𝑝12 𝑓23 = 0,3 ∙ 0,177 + 0,6 ∙ 0,135 = 0,1341
𝑘≠3
⋮
(4)
O resultado 𝑓13 = 0,1341 representa a probabilidade do tempo de primeira
passagem do estado 1 para o estado 3 ocorrer em 4 transição (𝑛 = 4).
(𝑛)
Observe que cada 𝑓13 representa a probabilidade do tempo de primeira passagem
do estado 1 para o estado 3 em função de 𝑛 (por isso, ela é uma distribuição de
probabilidades).
Por exemplo, qual é a probabilidade para que o estado do solo passe de bom para
ruim em até 3 estações? Para responder essa pergunta, basta calcular:
(1) (2) (3)
𝑓13 + 𝑓13 + 𝑓13 = 0,1 + 0,21 + 0,177 = 0,487
∑ 𝑓𝑖𝑗(𝑛) = 1
𝑛=1
Nesse caso, temos que a cadeia de Markov é ergódica. Para o exemplo anterior:
∞
(𝑛) (1) (2) (3) (4)
∑ 𝑓13 = 𝑓13 + 𝑓13 + 𝑓13 + 𝑓13 + ⋯ = 1
𝑛=1
Contudo, esse somatório pode ser estritamente menor do que 1, o que implica que
se o sistema se encontra inicialmente no estado 𝑖 então talvez ele jamais atinja o estado
𝑗. Dessa forma, pode-se concluir que o tempo médio de primeira passagem para ir do
estado 𝑖 para o estado 𝑗 é:
∞
(𝑛)
∞ se ∑ 𝑓𝑖𝑗 < 1
𝑛=1
𝜇𝑖𝑗 = ∞ ∞
∑ 𝑛𝑓𝑖𝑗(𝑛) (𝑛)
se ∑ 𝑓𝑖𝑗 = 1
{ 𝑛=1 𝑛=1
Para o exemplo anterior, temos que o tempo médio de primeira passagem para ir
do estado 1 para o estado 3 é:
∞
(𝑛) (1) (2) (3) (4)
𝜇13 = ∑ 𝑛𝑓13 = 𝑓13 + 2𝑓13 + 3𝑓13 + 4𝑓13 + ⋯
𝑛=1
202
(𝑛)
Naturalmente, obter o valor de 𝑓𝑖𝑗 para todo 𝑛 é uma tarefa bastante exaustiva.
Felizmente, sempre que:
∞
∑ 𝑓𝑖𝑗(𝑛) = 1
𝑛=1
Assim, equação explicita que se a primeira transição for para algum estado 𝑘
(sendo 𝑘 ≠ 𝑗), que ocorre com probabilidade 𝑝𝑖𝑘 , então o tempo de primeira passagem
deve considerar o tempo de primeira passagem para ir do estado 𝑘 para o estado 𝑗 (𝜇𝑘𝑗 ),
para cada “caminho” alternativo, mais 1 (que é a transição do estado 𝑖 para o estado 𝑘).
Logo:
𝜇13 = 1 + 0,3𝜇13 + 0,6𝜇23
𝜇23 = 1 + 0,1𝜇13 + 0,6𝜇23
203
Passando as variáveis para o lado esquerdo:
0,7𝜇13 − 0,6𝜇23 = 1
−0,1𝜇13 + 0,4𝜇23 = 1
A solução desse sistema linear resulta em 𝜇13 = 4,545 e 𝜇23 = 3,636. Essa solução
mostra que o tempo médio de primeira passagem do estado 1 para o estado 3 é igual a
4,545 estações. Para esse problema, isso significa que se um solo estiver em condição
boa ele levará em média 4,5 estações para alcançar a condição ruim. Além disso, se o
solo já estiver em condição razoável (estado 2) ele levará 3,6 estações para alcançar a
condição ruim.
Em outras palavras, o problema deseja calcular o valor de 𝜇30 (ou seja, o tempo
de primeira passagem do estado 3 para o estado 0).
𝜇30 = 1 + ∑ 𝑝3𝑘 𝜇𝑘0 = 1 + 𝑝31 𝜇10 + 𝑝32 𝜇20 + 𝑝33 𝜇30 = 1 + 0,184𝜇10 + 0,368𝜇20 + 0,368𝜇30
𝑘≠0
𝜇20 = 1 + ∑ 𝑝2𝑘 𝜇𝑘0 = 1 + 𝑝21 𝜇10 + 𝑝22 𝜇20 + 𝑝23 𝜇30 = 1 + 0,368𝜇10 + 0,368𝜇20 + 0𝜇30
𝑘≠0
𝜇10 = 1 + ∑ 𝑝1𝑘 𝜇𝑘0 = 1 + 𝑝11 𝜇10 + 𝑝12 𝜇20 + 𝑝13 𝜇30 = 1 + 0,368𝜇10 + 0𝜇20 + 0𝜇30
𝑘≠0
Logo:
𝜇30 = 1 + 0,184𝜇10 + 0,368𝜇20 + 0,368𝜇30
𝜇20 = 1 + 0,368𝜇10 + 0,368𝜇20
𝜇10 = 1 + 0,368𝜇10
204
Passando as variáveis para o lado esquerdo:
−0,184𝜇10 − 0,368𝜇20 + 0,632𝜇30 = 1
−0,368𝜇10 + 0,632𝜇20 = 1
0,632𝜇10 = 1
A solução desse sistema linear é direta: observe que é possível encontrar o valor
de 𝜇10 = 1,582 a partir da equação 3; em seguida substituindo esse resultado na equação
2 encontra-se o valor 𝜇20 = 2,504; por fim substituindo ambos os resultados na equação
1, chega-se no valor 𝜇30 = 3,501.
Assim, é esperado que o estoque esteja esgotado em 3,501 semanas, caso haja 3
unidades em estoque; em 2,504 semanas, caso haja 2 unidades em estoque e em 1,582
semana, caso haja 1 unidade em estoque.
Em que:
205
Tem-se 𝑚 − 1 = 3 – 1 = 2. Assim:
1 0
𝐈=( )
0 1
0,3 0,6
𝐍𝒋 = ( )
0,1 0,6
1
𝟏=( )
1
Note que 𝐍𝒋 possui os elementos de 𝐏, menos a linha 3 e a coluna 3 (pois 𝑗 = 3).
Com isso:
1 0 0,3 0,6 0,7 −0,6
𝐈 − 𝐍𝒋 = ( )−( )=( )
0 1 0,1 0,6 −0,1 0,4
A matriz inversa é:
−1 0,7 −0,6 −1 1,818 2,727
(𝐈 − 𝐍𝒋 ) =( ) =( )
−0,1 0,4 0,4545 3,182
Dessa forma:
−1
𝝁𝒊𝒋 = (𝐈 − 𝐍𝒋 ) ∙𝟏
𝜇13 1,818 2,727 1 4,545
(𝜇 ) = ( )∙( )= ( )
23 0,4545 3,182 1 3,636
Ou seja, a solução é 𝜇13 = 4,545 e 𝜇23 = 3,636 que é a mesma encontrada
anteriormente.
Tem-se 𝑚 − 1 = 4 – 1 = 3. Assim:
1 0 0
𝐈 = (0 1 0)
0 0 1
0,368 0 0
𝐍𝒋 = (0,368 0,368 0 )
0,184 0,368 0,368
1
𝟏 = (1)
1
206
Note que 𝐍𝒋 possui os elementos de 𝐏, menos a linha 0 e a coluna 0 (pois 𝑗 = 0).
Com isso:
1 0 0 0,368 0 0 0,632 0 0
𝐈 − 𝐍𝒋 = (0 1 0) − (0,368 0,368 0 ) = (−0,368 0,632 0 )
0 0 1 0,184 0,368 0,368 −0,184 −0,368 0,632
A matriz inversa é:
−1
0,632 0 0 1,582 0 0
−1
(𝐈 − 𝐍𝒋 ) = (−0,368 0,632 0 ) = (0,9213 1,582 0 )
−0,184 −0,368 0,632 0,9971 0,9213 1,582
Dessa forma:
−1
𝝁𝒊𝒋 = (𝐈 − 𝐍𝒋 ) ∙𝟏
𝜇10 1,582 0 0 1 1,582
𝜇
( 20 ) = (0,9213 1,582 0 ) ∙ (1) = (2,504)
𝜇30 0,9971 0,9213 1,582 1 3,501
Ou seja, a solução é 𝜇10 = 1,582, 𝜇20 = 2,504 e 𝜇30 = 3,501 que é a mesma
encontrada anteriormente.
Para esse tipo de problema, se a condição atual do solo for boa ou razoável,
estamos interessados em determinar o número médio de transições (estações de plantio)
até que o solo se torne ruim, e também a probabilidade associada a essa transição.
207
A análise de cadeias de Markov com estados absorventes pode ser realizada por
meio de matrizes. Em primeiro lugar, a cadeia de Markov deve ser repartida da seguinte
forma:
Esse tipo de arranjo requer que todos os estados absorventes ocupem o canto
sudeste (canto inferior esquerdo) em uma nova matriz.
Visto que o estado 2 é absorvente, ele deve ser deslocado para a linha de baixo. A
nova matriz 𝐏 rearranjada (𝐏 ∗ ) é mostrada a seguir:
Note que a linha (e a coluna) 2 foram trocadas com a linha (e a coluna) 3. Assim,
os estados absorventes foram colocados no canto sudeste.
Chega-se em:
208
Com isso, é possível calcular o tempo esperado para a absorção e a probabilidade
de absorção:
Tempo esperado para absorção = (𝐈 − 𝐍)−1 ∙ 𝟏
Probabilidade de absorção = (𝐈 − 𝐍)−1 ∙ 𝐀
Observe que a primeira equação é a mesma dada na seção anterior para o tempo
de primeira passagem (em que 𝑗 é o estado absorvente). Entretanto, essa equação
também é capaz de determinar o tempo esperado para a absorção para mais de um
estado absorvente (seria o equivalente a considerar o tempo de primeira passagem até
algum dos estados absorventes).
Note que esses cálculos foram os mesmo realizados na seção anterior para o tempo
de primeira passagem. Logo, pode-se concluir que, quando existe apenas um estado
absorvente, o tempo para a absorção é igual ao tempo de primeira passagem até o estado
absorvente.
209
Já a probabilidade de absorção pelo estado 3 é dada por:
0,3
(𝐈 − 𝐍)−1 ∙ 𝐀 = (1,25 1,25 1
)∙( ) =( )
0 2 0,5 1
Naturalmente, como só existe um estado absorvente, a probabilidade de o sistema
ser absorvido pelo estado 3, partindo do estado 1 é 1, e partindo do estado 2 também é
1.
Solução:
210
Assim, tem-se que:
Esse resultado mostra que o tempo médio para o sistema ser absorvido (alcançar
o estado J ou G) é de 4 transições partindo do estado s1 (partindo da máquina I), de 3,15
transições partindo de i1 (partindo da inspeção após a máquina I), de 2,09 transições
partindo de s2 (partindo da máquina II), e de 1,14 transições partindo de i2 (partindo
da inspeção após a máquina II), considerando que o tempo em cada estação é o mesmo.
211
Cada um dos termos da matriz (𝐈 − 𝐍)−1 também possui informações importantes.
Por exemplo, a primeira linha dessa matriz (linha do estado s1) fornece o número médio
de passagens em cada estação para uma peça que começa na máquina I. Assim, se uma
peça começa na máquina I então ela passará pela máquina I 1,07 vezes, pela inspeção I
1,02 vezes, pela máquina II 0,98 vezes e pela inspeção II 0,93 vezes. Se tivermos 100
peças, então 107 peças passaram pela máquina I, 102 pela inspeção I (7 voltaram para
a máquina I e 5 foram descartadas), 98 pela máquina II e 93 pela inspeção II.
Com isso, podemos determinar, por exemplo, o tempo que uma peça leva para ser
processada, começando da máquina 1, considerando que a duração da estadia em cada
estação seja diferente. Se os tempos de processamento da máquina I e inspeção I forem
de 20 e 30 minutos, e os tempos de processamento da máquina II e inspeção II forem de
5 e 7 minutos, então o tempo de processamento de uma peça, que inicia na máquina I,
será:
1,07 ∙ 20 + 1,02 ∙ 30 + 0,98 ∙ 5 + 0,93 ∙ 7 = 62,41 minutos
Para obter esse resultado partindo de qualquer um dos estados, basta substituir
o vetor 𝟏, pelo vetor coluna contendo esses tempos:
20
30
(5)
7
E calcular o tempo para a absorção.
𝑓15 = ∑ 𝑝1𝑘 𝑓𝑘5 = 𝑝12 𝑓25 + 𝑝15 𝑓55 = 0,95𝑓25 + 0,05 ∙ 1 = 0,95𝑓25 + 0,05
𝑘=1
6
𝑓25 = ∑ 𝑝2𝑘 𝑓𝑘5 = 𝑝21 𝑓15 + 𝑝23 𝑓35 + 𝑝25 𝑓55 = 0,07𝑓15 + 0,9𝑓35 + 0,03
𝑘=1
6
𝑓45 = ∑ 𝑝4𝑘 𝑓𝑘5 = 𝑝43 𝑓35 + 𝑝45 𝑓55 + 𝑝46 𝑓65 = 0,07𝑓35 + 0,03 + 0
𝑘=1
Assim, temos:
𝑓15 = 0,95𝑓25 + 0,05
𝑓25 = 0,07𝑓15 + 0,9𝑓35 + 0,03
𝑓35 = 0,95𝑓45 + 0,05
𝑓45 = 0,07𝑓35 + 0,03 + 0
Reorganizando:
𝑓15 − 0,95𝑓25 = 0,05
−0,07𝑓15 + 𝑓25 − 0,9𝑓35 = 0,03
𝑓35 − 0,95𝑓45 = 0,05
−0,07𝑓35 + 𝑓45 = 0,03
A solução desse sistema linear é: 𝑓15 = 0,16; 𝑓25 = 0,12; 𝑓35 = 0,08; e 𝑓45 = 0,04, que
é a coluna 1 da tabela contendo a probabilidade de absorção resolvida anteriormente.
213
De forma análoga, para o estado 6 (𝑗 = 6) e partindo dos outros estados, temos:
6
𝑓26 = ∑ 𝑝2𝑘 𝑓𝑘6 = 𝑝21 𝑓16 + 𝑝23 𝑓36 + 𝑝25 𝑓56 = 0,07𝑓16 + 0,9𝑓36 + 0
𝑘=1
6
𝑓46 = ∑ 𝑝4𝑘 𝑓𝑘6 = 𝑝43 𝑓36 + 𝑝45 𝑓56 + 𝑝46 𝑓66 = 0,07𝑓35 + 0 + 0,9
𝑘=1
Assim, temos:
𝑓16 = 0,95𝑓26
𝑓26 = 0,07𝑓16 + 0,9𝑓36
𝑓36 = 0,95𝑓46
𝑓46 = 0,07𝑓35 + 0,9
Reorganizando:
𝑓16 − 0,95𝑓26 = 0
−0,07𝑓16 + 𝑓26 − 0,9𝑓36 = 0
𝑓36 − 0,95𝑓46 = 0
−0,07𝑓35 + 𝑓46 = 0,9
A solução desse sistema linear é: 𝑓16 = 0,84; 𝑓26 = 0,88; 𝑓36 = 0,92; e 𝑓46 = 0,96, que
é a coluna 2 da tabela contendo a probabilidade de absorção resolvida anteriormente.
Note que esse resultado poderia ter sido obtido de forma muito mais simples, fazendo
apenas 1 menos o resultado para o estado 5 (1 – 0,16 = 0,84; 1 – 0,12 = 0,88; 1 – 0,08 =
0,92 e 1 – 0,04 = 0,96).
214
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 4
(1) CESGRANRIO - 2011 - Transpetro - Engenheiro de Produção Júnior [Adaptada]
215
(2) ENADE 2011 – Engenheiro de Produção
A qualidade dos serviços apresenta suas peculiaridades em relação à qualidade dos
bens. Clientes insatisfeitos com prestadores de serviços essenciais podem usufruir da
portabilidade (opção de troca imediata de empresa levando algumas especificidades do
serviço previamente contratado), quando houver outras opções de fornecedores. Quanto
às empresas de planos de saúde, existe uma regra que amplia a portabilidade para os
beneficiários, que poderão mudar de plano de saúde sem cumprimento de novos prazos
de carência.
Preocupado com inúmeras saídas de seus clientes, o gerente de uma das três empresas
de plano de saúde de uma cidade encomendou uma pesquisa de satisfação com os
clientes sobre a intenção de trocar o prestador de serviço.
Como resultado da pesquisa, obteve:
Dos 1 000 clientes da empresa A, 50 não a trocariam, 450 mudariam para a
empresa B e 500 para a empresa C;
Dos 1 000 clientes da empresa B, 400 não a trocariam, 100 mudariam para a
empresa A e 500 para a empresa C;
Dos 1 000 clientes da empresa C, 500 não a trocariam, 100 mudariam para a
empresa A e 400 para a empresa B.
Considerando estável a população de clientes, e se nada for feito pelas empresas de
planos de saúde para reter seus clientes, a tendência é que a empresa A fique com média
aproximada de 286 clientes, a empresa B fique com média aproximada de 1 214 clientes
e a C com média aproximada de 1 500 clientes. Nessa situação, avalie as asserções a
seguir:
A situação apresentada é estocástica, regida por um processo Markoviano com estados
exaustivos e mutuamente exclusivos.
PORQUE
As probabilidades de transição entre os estados pode ser representada pela notação
matricial P e as condições finais a(n) (número de clientes em cada empresa) após n
transições (n > 0) podem ser obtidas pela equação
,
em que a(0) representa as condições iniciais (número de clientes em cada empresa) e
216
Acerca dessas asserções, assinale a opção correta.
A. As duas asserções são proposições verdadeiras, e a segunda é uma justificativa
correta da primeira.
B. As duas asserções são proposições verdadeiras, mas a segunda não é uma justificativa
correta da primeira.
C. A primeira asserção é uma proposição verdadeira, e a segunda, uma proposição falsa.
D. A primeira asserção é uma proposição falsa, e a segunda, uma proposição verdadeira.
E. Tanto a primeira quanto a segunda asserções são proposições falsas.
Nas máquinas M1 e M2, o TMEF é de 10 horas, para i=1 e j=2 (estado 1 ao estado 2) e
para i=2 e j=3 (estado 2 ao estado 3).
217
a) Considerando os intervalos entre falhas, bem como os tempos de reparo (máquina M1)
como independentes e identicamente distribuídos exponencialmente, complete as
posições não preenchidas da matriz de probabilidades de transição, a seguir, para a
máquina tipo M1, com pij representando a probabilidade de transição do estado i (atual)
para o estado j (seguinte).
218
(4) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
Em 2013, uma determinada região apresentou a seguinte divisão modal para o ano Y:
80% para o modo rodoviário, 10% para o modo ferroviário e 10% para o modo hidroviário.
Do ano Y para o ano Y+1, deve-se considerar a matriz de probabilidade de transição
mostrada no Quadro a seguir.
A. 59%, 25% e 16 %
219
(5) Questão de Prova Antiga
C. O estado 3 é absorvente.
220
(6) IADES - 2017 - Fundação Hemocentro de Brasília-DF – Estatístico
O diagrama apresentado modela o que ocorre com as cobaias durante as fases de teste
de um tratamento experimental ao longo de n meses. Nesse tratamento, existem duas
fases (estados 1 e 2, respectivamente) em que a cobaia pode ter de repetir a fase, sendo
que a conclusão (estado 3) ocorre somente após a fase 2; também pode haver morte da
cobaia (estado 0) a qualquer tempo do teste.
Quanto à classificação dos estados, assinale a alternativa correta.
221
(7) FCC - 2015 - TRT - 3ª Região (MG) – Estatístico [Adaptada]
A. 0,3
B 0,45
C. 0,6
D. 0,78
E. 0,95
Um vendedor de uma determinada empresa pode visitar duas cidades A e B para vender
o seu produto. Para ir a essas cidades, ele segue algumas regras: caso ele esteja na cidade
A, ele escolhe ir, no dia seguinte, para a cidade B com probabilidade 0,7; se ele estiver
na cidade B, ele vai para cidade A com probabilidade 0,6.
Sabendo-se que a probabilidade de ele estar hoje nas cidades A e B são iguais, então a
probabilidade de ele estar na cidade B amanhã é
A. 0,35
B. 0,4
C. 0,55
D. 0,7
E. 0,75
222
(9) IADES - 2018 - SES-DF – Estatístico
Seja {Xn, n = 0, 1, 2,...} uma cadeia de Markov com espaço de estados S = {0,1} e matriz
de probabilidade de transição:
Uma cadeia de Markov (Xn), n>0 com estados S = {0, 1, 2} tem a seguinte matriz de
transição:
A. 0,15
B. 0,18
C. 0,27
D. 0,31
E. 0,42
223
(11) IDECAN - 2014 - DETRAN-RO - Estatístico
A. 0,09.
B. 0,16.
C. 0,24.
D. 0,30.
E. 0,43.
Sabe-se que o custo por item em estoque depende do número de itens no estoque: se o
estoque possuir 100 itens, então o custo por item será de R$ 1,00, se o estoque possuir
200 itens, então o custo por item será de R$ 3,00 e se o estoque possuir 300 itens, então
o custo por item será de R$ 10,00. Nesse caso, determine:
b) O número médio de dias para o estoque retornar a 100 itens (µ11), retornar a 200
itens (µ22) e retornar a 300 itens (µ33).
224
GABARITO
(4) B (5) D (6) E (7) C (8) C (9) D (10) C (11) E (12) a) R$ 1.016,01
1 1
11 3,926 22 1 1,927 33 4,417
0,2547 0,5189 0,2264
225
CAPÍTULO 5 – TEORIA DAS FILAS
Comentários do professor
Caros alunos, esse capítulo tem por finalidade desenvolver as principais questões
associadas a Teoria das Filas. Nesse sentido, será apresentada a importância de se
estudar filas e seus principais elementos, seguido da dedução das distribuições
exponenciais e de Poisson e sua relação com os modelos de filas de nascimento e morte
puros, além de a descrição sobre as diferentes classificações das filas. Será demonstrado
ainda um modelo generalizado sobre filas e as principais medidas de desempenho, como
número médio de clientes no sistema e na fila, tempo médio de clientes no sistema e na
fila e a taxa de ocupação da instalação. Em seguida, serão deduzidas as equações para
as medidas de desempenho em modelos com um único e com múltiplos servidores, e
também modelos de decisão baseados em custo. Por fim, serão mostrados modelos
computacionais para o estudo das filas.
226
AULA 1 – ESTRUTURA BÁSICA
DE UM SISTEMA DE FILAS
Pode-se notar na figura que para elevar o nível do serviço (diminuir o tempo de
espera dos clientes na fila) é preciso aumentar o custo do serviço (custo operacional da
instalação de serviço, ou seja, aumentar o número de caixas) ao passo que diminuímos
o custo de clientes à espera. Por outro lado, ao diminuir o número de caixas, reduz-se o
nível do serviço (e o custo do serviço) e aumenta-se o custo de espera pelo cliente. A
figura mostra também a soma desses dois gráficos (custo total), definindo um ponto
ótimo (ponto que minimiza o custo total), o qual determina o nível de serviço que
minimiza o custo total (nível ótimo de serviço).
Esse exemplo pode ser estendido, substituindo-se os clientes de uma fila por
caminhões em uma fila para o descarregamento ou navios em um porto (nesses casos, o
custo de espera se tornaria ainda mais crítico, pois a espera significa que o caminhão ou
o navio estão deixando de transportar!).
228
Elementos de um modelo de filas
229
Outro aspecto da análise de filas é o tamanho da fila. Nos modelos de filas o
tamanho da fila pode ser finito (possui um valor limite) ou infinito (o tamanho da fila
pode ser "ilimitado").
Existe ainda a disciplina da fila, que define a ordem em que os clientes serão
selecionados na fila. A disciplina de filas mais comum é o FCFS (First Come First Served
– Primeiro a Chegar, Primeiro a Ser Servido), no qual o primeiro cliente a chegar será o
primeiro a ser atendido (os demais clientes que chegarem vão sendo posicionados atrás
dos clientes que já estão na fila).
Entretanto existem outras disciplinas, como o LCFS (Last Come First Served –
Último a Chegar, Primeiro a Ser Servido), muito utilizada pelos sistemas operacionais
como os dos smartphones (o último aplicativo requisitado pelo usuário deve ser o mais
importante, por isso ele passará a frente dos outros aplicativos na fila de processos), e
também o SIRO (Service in Random Order – Serviço em Ordem Aleatória), em que os
clientes da fila são selecionados aleatoriamente.
Sobre a disciplina da fila pode existir também alguma ordem de prioridade na
seleção de clientes na fila. Por exemplo, os idosos são atendidos prioritariamente nos
bancos ou então equipamentos essenciais de uma linha de produção devem ser
consertados prioritariamente em uma fila para manutenção (os clientes com prioridade
"passam na frente" dos clientes sem prioridade em uma fila). A prioridade pode ainda
ser dividida em níveis de prioridade (por exemplo, nível 0, nível 1, nível 2..., de forma
que os clientes que possuírem o maior nível de prioridade passarão a frente dos clientes
de menores níveis, por exemplo).
230
De forma geral, os servidores também podem ser organizados em rede (é o caso
de uma rede de computadores na qual os roteadores recebem e encaminham pacotes de
diversos caminhos para diversos caminhos; sendo que todos os pacotes que chegam em
um roteador ficam em uma mesma fila, chamada de buffer ou memória – quando a fila
ou buffer do roteador está “cheia”, todos os pacotes (“clientes”) que chegam são perdidos;
nesse caso percebemos que a internet está "lenta", pois os pacotes não estão chegando
aos destinos, pois não estão sendo atendidos pelos roteadores). Essa explicação para o
funcionamento de uma rede de transporte de dados também pode ser aplicada a uma
rede de transporte de veículos, na qual podemos prever o seu congestionamento.
A fonte de onde chegam os clientes (de onde eles são gerados) pode ser classificada
como fonte finita (limita a chegada de clientes para serviço, ou seja, existe um número
finito de clientes que podem chegar na fila, por exemplo o número de equipamentos que
precisam de manutenção) ou fonte infinita (o número de clientes que podem chegar na
fila é ilimitado; por exemplo, telefonemas que podem chegar a uma central telefônica –
como o número de telefonemas é muito grande e desconhecido, podemos considerá-lo
como infinito).
Essa diferença entre a fonte ser infinita ou ser finita é bastante útil, pois “quando
a fonte é infinita, a média do tempo entre chegadas de clientes tende a ser constante”
(por exemplo, se chegam clientes, em média, de 5 em 5 minutos, mesmo se já tiverem
chegado muitos clientes, como a fonte infinita, o tempo entre chegadas continuará a
ocorrer em média de 5 em 5 minutos).
Por outro lado, caso a fonte seja finita (vamos supor que tenhamos 10 clientes,
por exemplo, 10 máquinas, que é o tamanho da nossa fonte finita), então a tendência é
que essa média de 5 em 5 minutos se torne cada vez maior à medida que os clientes
cheguem ao sistema.
Considere que essa chegada de 5 em 5 minutos ocorra quando temos 10 máquinas
que podem entrar na fila para inspeção. Se, por exemplo, já tiverem 8 máquinas na
inspeção (no sistema), então só existem 2 máquinas que podem chegar no sistema. Nesse
caso, o tempo entre chegadas tenderá a ser bem maior (antes tínhamos 10 máquinas
que poderiam chegar, agora temos só 2 máquinas que podem chegar, portanto a
probabilidade de chegar uma máquina ao sistema irá diminuir, com isso o tempo entre
chegadas tenderá a aumentar).
Para entender essa diferença, imagine que tenhamos 100.000 bolas azuis e
100.000 bolas vermelhas em um saco (ou seja, uma fonte “infinita”). Todas as bolas azuis
retiradas são colocadas em uma mesa (apenas as bolas vermelhas são postas novamente
no saco). Nesse caso, em média tiraremos bolas azuis a cada duas bolas retiradas do saco
(de 2 em 2), pois a probabilidade de tirarmos uma bola azul é de 0,5 (portanto o intervalo
será igual a 1/0,5 = 2). Como o número de bolas azuis no saco é muito grande (“infinito”)
essa taxa (de 2 em 2) não será alterada (considerando que retiraremos poucas bolas do
saco).
231
Agora, se o número de bolas azuis for igual a 10 e vermelhas também for igual a
10 (agora o saco, que é a nossa fonte de bolas azuis, é finita igual a 10), essa taxa (de 2
em 2 bolas) só irá ocorrer para a primeira bola azul retirada do saco (posta na mesa, que
representa o nosso sistema). Isso porque à medida que retirarmos as bolas azuis, o
número de bolas azuis no saco (na fonte) irá diminuir (e portanto a probabilidade de
retirarmos bolas azuis do saco também irá diminuir), fazendo com demore mais para
retirarmos bolas azuis (a média de retirada de bolas azuis tenderá a ser maior do que
de 2 em 2 bolas).
Nos modelos mais comuns supõe-se que os tempos de atendimento, dado que
existem pessoas sendo atendidas, são variáveis aleatórias independentes e
identicamente distribuídas. O caso particular mais importante considera que a duração
do atendimento (tempo de serviço) tem distribuição de probabilidades do tipo
exponencial negativa com média 1/𝜇 (por exemplo, se são atendidos 𝜇 = 5 clientes por
hora, então o tempo de atendimento é dado por 1/5 = 0,2 horas = 0,2x60 = 12 minutos).
Similarmente ao que ocorre para o processo de chegadas, o número de atendimento terá
uma distribuição de Poisson com média 𝜇𝑇 (por exemplo, em 3 horas serão atendidos em
média 5x3 = 15 clientes).
232
AULA 2 – MODELOS DE
NASIMENTO E MORTE PUROS
Distribuição exponencial
𝑃[𝑡 ≤ 𝑇] = ∫ 𝜆𝑒 −𝜆𝑡 𝑑𝑡
0
𝑃 [𝑡 ≤ 𝑇] = 1 − 𝑒 −𝜆𝑇
233
Para entender o motivo de uma distribuição exponencial ser completamente
aleatória, considere o seguinte exemplo:
Sabe-se que agora são 8h20 da manhã e a última chegada de cliente ocorreu às
8h02. A probabilidade de chegada de cliente às 8h30 dependerá apenas do intervalo de
tempo entre 8h20 e 8h30 (isto é, 10 minutos), ou seja, ela é totalmente independente do
intervalo de tempo transcorrido desde a última chegada de cliente (o intervalo de 18
minutos desde a última chegada). Se passasse mais 5 minutos (ou seja, agora são 8h25),
a probabilidade de se chegar cliente às 8h30 irá mudar (pois agora iremos considerar
um intervalo de 5 minutos). Logo, a probabilidade de chegada (ou saída) de cliente
depende apenas do intervalo de tempo 𝑇 entre o instante atual e o instante que estamos
considerando (e da taxa 𝜆 de chegadas ou saídas de clientes), não dependendo do
instante em que ocorreu a última chegada (ou saída). Essa característica é conhecida
como ausência de memória ou falta de memória da distribuição exponencial (uma
distribuição exponencial não possui memória, pois os instantes em que ocorreram os
eventos anteriores não afetam a probabilidade de ocorrência do evento seguinte).
Logo:
234
Matematicamente, a probabilidade condicional é dada por:
𝑃 (𝐴 ∩ 𝐵 )
𝑃 (𝐴⁄𝐵) =
𝑃 (𝐵 )
Assim:
𝑃 [𝑡 > 𝑇 + 𝑆 ∩ 𝑡 > 𝑆]
𝑃[𝑡 > 𝑇 + 𝑆 ⁄ 𝑡 > 𝑆] =
𝑃[𝑡 > 𝑆]
Note que o termo 𝑡 > 𝑇 + 𝑆 representa um intervalo que parte do ponto 𝑇 + 𝑆 até
mais infinito, enquanto o termo 𝑡 > 𝑆 é um intervalo maior, que parte do ponto 𝑆 (que é
menor do que 𝑇 + 𝑆, pois 𝑇 e 𝑆 são positivos) até mais infinito. Isso significa que a
interseção entre esses dois termos é o próprio termo 𝑡 > 𝑇 + 𝑆. Com isso:
Solução:
Em primeiro lugar devemos obter a taxa média de falha da máquina 𝜆 = 1/5 = 0,2
falha por hora. É importante observar que a média da distribuição exponencial (nesse
caso, de 5 horas) é equivalente ao valor esperado para o intervalo entre os tempos de
chegadas de máquinas com defeitos (intervalo entre falhas). O valor esperado é uma
medida considerando o "longo prazo", isto é, ao considerar um intervalo de tempo muito
grande, temos que as falhas ocorrerão em média de 5 em 5 horas. Isso significa, por
exemplo, que em uma duração de 200 horas, teríamos (200/5 = 40) em média 40 falhas
de máquinas.
235
Para calcular a probabilidade nos dois casos (letras a e b), temos que considerar
a fórmula:
𝑝0 (𝑇) = 𝑒 −𝜆𝑇
Logo:
𝑝𝑛′ (𝑇) = −𝜆𝑝𝑛 (𝑇) + 𝜆𝑝𝑛−1 (𝑇) , para 𝑛 > 0
Repare que o "Δ𝑇 " dessa derivada é justamente o ℎ (que é uma variação de 𝑇, ou
seja, representa o Δ𝑇).
𝑝0 (𝑇) = 𝑒 −𝜆𝑇
238
Temos que:
𝑝1′ (𝑇) = −𝜆𝑝1 (𝑇) + 𝜆𝑝0 (𝑇)
Essa equação demonstra que, se o tempo entre chegadas segue uma distribuição
exponencial com média 1/𝜆, então o número de chegadas durante um período 𝑇 segue
uma distribuição de Poisson com média 𝜆𝑇. O inverso também é válido (se o número de
chegadas durante um período 𝑇 segue uma distribuição de Poisson com média 𝜆𝑇, então
o tempo entre chegadas segue uma distribuição exponencial com média 1/𝜆).
239
A tabela a seguir resume as relações entre a distribuição exponencial e de Poisson.
Solução:
A taxa de nascimentos por minuto é igual a 1/12. Como um dia tem 24x60
minutos, então a taxa de nascimento por dia será:
24 ∙ 60
𝜆= = 120 nascimentos por dia
12
Se nascem 120 bebês por dia, então em 1 ano (ou 365 dias) nascerão:
𝜆𝑇 = 120 ∙ 365 = 43.800 nascimentos por ano
241
Para entender o comportamento da distribuição de Poisson:
(𝜆𝑇)𝑛 ∙ 𝑒 −𝜆𝑇
𝑝𝑛 (𝑇) =
𝑛!
Vamos considerar a seguinte situação:
Suponha que a taxa de chegada de clientes seja de 𝜆 = 1 cliente por hora. Nesse
caso, os gráficos de 𝑝𝑛 (𝑇) para 𝑛 = 0, 𝑛 = 1 e 𝑛 = 2 são mostrados a seguir:
242
O gráfico da cor cinza (𝑛 = 2) representa a curva de 𝑝2 (𝑇), isto é, a probabilidade
de chegarem 2 clientes ao longo do tempo 𝑇. Note que ele é igual a 0 no instante inicial
(pois é impossível chegar clientes durante um intervalo de tempo de 0 horas) e que essa
probabilidade de chegada de cliente vai aumentando à medida que o tempo passa
(enquanto a probabilidade de não chegarem clientes vai diminuindo). Note também que
o ponto máximo ocorre para 𝑇 = 2 horas (isso ocorre, pois a taxa de chegada 𝜆 é de 1
cliente por hora, ou seja, é mais provável chegarem 2 clientes em 2 horas; por exemplo,
se a taxa fosse de 1 cliente a cada 5 horas, 𝜆 = 1/5 = 0,2 clientes por hora, ou seja, 2
clientes a cada 10 horas, esse máximo ocorreria no instante 𝑇 = 10). Após o intervalo de
tempo 𝑇 = 2, a probabilidade diminui novamente (ou seja, conforme o intervalo de tempo
𝑇 aumenta, fica cada vez mais improvável a chegada de apenas 2 clientes – se torna
mais provável que cheguem mais do que 2 clientes). E assim por diante.
Solução:
Temos que:
𝜆 = 0,5 clientes por hora
𝑇 = 3 horas
(𝜆𝑇)𝑛 ∙ 𝑒 −𝜆𝑇
𝑝𝑛 (𝑇) =
𝑛!
(0,5 ∙ 3)0 ∙ 𝑒 −0,5∙3 1 ∙ 𝑒 −0,5∙3
𝑝0 (3) = = = 𝑒 −1,5 = 0,223
0! 1
(0,5 ∙ 3)1 ∙ 𝑒 −0,5∙3 1,5 ∙ 𝑒 −0,5∙3
𝑝1 (3) = = = 1,5 ∙ 𝑒 −1,5 = 0,335
1! 1
Com isso:
𝑝𝑛≥2 (3) = 1 − 𝑝1 (3) − 𝑝0 (3) = 1 − 0,335 − 0,223 = 0,442
244
Considerando que a probabilidade de partida de 1 cliente, no intervalo de tempo
ℎ, é igual a 𝜇ℎ, então (1 – 𝜇ℎ) será a probabilidade de não partirem clientes no intervalo
de tempo ℎ (quando ℎ é muito pequeno).
245
A probabilidade de termos 𝑁 – 1 clientes é dada por (substituindo 𝑛 = 𝑁 – 1 nessa
equação):
𝑝𝑁−1 (𝑇) = (𝜇𝑇) ∙ 𝑒 −𝜇𝑇
Repare a semelhança entre ela e a equação de 𝑝1 (𝑇) da seção anterior (pois lá
temos a probabilidade de chegar 1 cliente enquanto aqui mede a probabilidade de sair
um cliente, que equivale a termos 𝑁 – 1 clientes).
Suponha que a taxa de partida de clientes seja de 𝜇 = 1 cliente por hora e que
inicialmente temos 2 clientes (𝑁 = 2). Nesse caso, os gráficos de 𝑝𝑛 (𝑇) para 𝑛 = 2 (𝑁),
para 𝑛 = 1 (𝑁 – 1) e para 𝑛 = 0 (𝑁 – 2) são mostrados a seguir:
247
Além disso, para 𝑛 = 𝑁 (ou seja, a probabilidade de partida de 0 clientes), 𝑝𝑁 (𝑇) é
máxima para 𝑇 = 0; para 𝑛 = 𝑁 – 1 (ou seja, a probabilidade de partida de 1 cliente),
𝑝𝑛 (𝑇) é máxima para 𝑇 = 1/𝜇; para 𝑛 = 𝑁 – 2 (ou seja, a probabilidade de partida de 2
clientes), 𝑝𝑛 (𝑇) é máxima para 𝑇 = 2/𝜇; para 𝑛 = 𝑁 – 3 (ou seja, a probabilidade de partida
de 3 clientes), 𝑝𝑛 (𝑇) é máxima para 𝑇 = 3/𝜇 e assim por diante.
Uma loja possui 20 produtos em seu estoque. Em média são vendidos 4 produtos
por dia. Determine a probabilidade de termos 8 itens no estoque após 2 dias.
Solução:
Solução:
248
Por fim, para 𝑇 = 6 dias:
(4 ∙ 6)20−0 ∙ 𝑒 −4∙6 2420 ∙ 𝑒 −24
𝑝0 (6) = = = 0,0624
(20 − 0)! 20!
249
AULA 3 – MODELOS
GENERALIZADOS DE FILAS
Uma simplificação a ser considerada nesse modelo é que ele estará limitado a
descrever o comportamento da fila de longo prazo, ou seja, ele estará baseado no estado
de equilíbrio da fila (o estado de equilíbrio é atingido após o sistema estar em operação
por um tempo suficientemente longo). Inicialmente, um sistema tem comportamento
transiente (ou estado transiente), também chamado de estado de aquecimento, no qual
as características da fila não são tão previsíveis.
250
Assim, durante o estado transiente (ou de aquecimento) os clientes que chegam
não irão experimentar filas (pois estas ainda não foram formadas). Conforme o tempo
passa, os clientes que chegam começarão a experimentar uma fila que possui um
tamanho médio (e assim os clientes terão tempos de espera médios nessa fila, que podem
ser calculados).
Uma das razões para não se considerar o estado transiente em modelos de filas é
a sua complexidade matemática. Entretanto, a principal razão para ele não ser
considerado é que a maior parte das situações de filas a serem dimensionadas ocorrem
em condições de estado de equilíbrio (isto é, existe a formação de fila, que é justamente
o que queremos dimensionar). Nesse caso, as características das filas no longo prazo (no
estado de equilíbrio) são independentes das condições iniciais (da quantidade de clientes
no instante inicial) e são suficientes para o dimensionamento do sistema.
251
Um sistema de fila de Poisson pode ser representado esquematicamente a partir
do seguinte diagrama de transições:
Colocando o 𝑝1 em evidência:
(Taxa de fluxo esperada de saída do estado 1) = 𝑝1 (𝜆1 + 𝜇1 )
253
Ou seja, a taxa de fluxo esperada de saída do estado 𝑛 é igual a probabilidade de
o sistema estar no estado 𝑛 (ter 𝑛 clientes) vezes a taxa de chegada cliente somada com
a probabilidade de o sistema estar no estado 𝑛 (ter 𝑛 clientes) vezes a taxa de saída de
cliente.
Note que essa equação é válida para 𝑛 > 0, ou seja, para 𝑛 = 1, 2, 3, 4,... No caso
de 𝑛 = 0 só existe uma opção para a entrada no estado 0 (ter 1 cliente vezes a taxa de
saída de cliente) e uma opção de saída do estado 0 (ter 0 clientes vezes a taxa de chegada
de cliente).
Fazendo 𝑛 = 1, temos:
𝑝0 𝜆0 + 𝑝2 𝜇2 = 𝑝1 (𝜆1 + 𝜇1 )
254
Ao substituir 𝑝1 = (𝜆0 /𝜇1 ) 𝑝0 nessa equação e isolando o termo 𝑝2 , tem-se:
𝜆1 𝜆0
𝑝2 = ( )𝑝
𝜇2 𝜇1 0
Fazendo 𝑛 = 2, temos:
𝑝1 𝜆1 + 𝑝3 𝜇3 = 𝑝2 (𝜆2 + 𝜇2 )
Isto é:
∞
∑ 𝑝𝑛 = 1
𝑛=0
Os clientes chegam à área dos caixas com uma taxa média de 10 clientes por hora.
O tempo médio de atendimento segue uma distribuição exponencial com média 12
minutos. Determine a probabilidade 𝑝𝑛 de estado de equilíbrio de 𝑛 clientes na área dos
caixas (no sistema).
255
Solução:
Temos que:
𝜆𝑛 = 𝜆 = 10 clientes por hora , para 𝑛 = 0,1,2,3, …
A taxa de atendimento é dada por 1/12 = 0,0833 clientes por minuto = 0,0833x60
= 5 clientes por hora por atendente. Com isso:
5 clientes por hora , para 𝑛 = 1,2,3
𝜇𝑛 = { 2 ∙ 5 = 10 clientes por hora , para 𝑛 = 4,5,6
3 ∙ 5 = 15 clientes por hora , para 𝑛 = 7,8, …
𝜆1 𝜆0 10 ∙ 10 10 2
𝑝2 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) 𝑝0 = 4𝑝0
𝜇2 𝜇1 5∙5 5
𝜆2 𝜆1 𝜆0 10 ∙ 10 ∙ 10 10 3
𝑝3 = ( )𝑝 = ( ) 𝑝0 = ( ) 𝑝0 = 8𝑝0
𝜇3 𝜇2 𝜇1 0 5∙5∙5 5
𝜆3 𝜆2 𝜆1 𝜆0 10 ∙ 10 ∙ 10 ∙ 10 10 10 3
𝑝4 = ( )𝑝 = ( ) 𝑝0 = ( ) ( ) 𝑝0 = 8𝑝0
𝜇4 𝜇3 𝜇2 𝜇1 0 10 ∙ 5 ∙ 5 ∙ 5 10 5
𝜆4𝜆3 𝜆2 𝜆1 𝜆0 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 10 2 10 3
𝑝5 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) ( ) 𝑝0 = 8𝑝0
𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 10 ∙ 10 ∙ 5 ∙ 5 ∙ 5 10 5
𝜆5𝜆4 𝜆3 𝜆2 𝜆1 𝜆0 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 10 3 10 3
𝑝6 = ( )𝑝 = ( ) 𝑝0 = ( ) ( ) 𝑝0 = 8𝑝0
𝜇6 𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 0 10 ∙ 10 ∙ 10 ∙ 5 ∙ 5 ∙ 5 10 5
𝜆6 𝜆5 𝜆4 𝜆3 𝜆2 𝜆1 𝜆0 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 10 10 3 10 3 2
𝑝7 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) ( ) ( ) 𝑝0 = ( ) ∙ 8𝑝0
𝜇7 𝜇6 𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 15 ∙ 10 ∙ 10 ∙ 10 ∙ 5 ∙ 5 ∙ 5 15 10 5 3
10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 ∙ 10 10 2 10 3 10 3 2 2
𝑝8 = ( ) 𝑝0 = ( ) ( ) ( ) 𝑝0 = ( ) ∙ 8𝑝0
15 ∙ 15 ∙ 10 ∙ 10 ∙ 10 ∙ 5 ∙ 5 ∙ 5 15 10 5 3
10 𝑛−6 10 3 10 3 2 𝑛−6
𝑝𝑛≥7 =( ) ( ) ( ) 𝑝0 = ( ) ∙ 8𝑝0
15 10 5 3
A partir do somatório, temos que:
∞
∑ 𝑝𝑛 = 1
𝑛=0
𝑝0 + 𝑝1 + 𝑝2 + ⋯ = 1
𝑝0 + 2𝑝0 + 4𝑝0 + 8𝑝0 + ⋯ = 1
256
Colocando 𝑝0 em evidência:
2 2 2 2 3
𝑝0 [1 + 2 + 4 + 8 + 8 + 8 + 8 + ( ) ∙ 8 + ( ) ∙ 8 + ( ) ∙ 8 + ⋯ ] = 1
3 3 3
2 2 2 2 3
𝑝0 {31 + 8 ∙ [1 + ( ) + ( ) + ( ) + ⋯ ]} = 1
3 3 3
2 2 2 2 3
1+( )+( ) +( ) +⋯
3 3 3
É uma soma de PG (Progressão Geométrica) infinita, cuja fórmula é:
∞
1
∑ 𝑥𝑖 = , para |𝑥 | < 1
1−𝑥
𝑖=0
Substituindo:
∞
2 𝑖 1
∑( ) =
3 1 − 2/3
𝑖=0
Assim:
1
𝑝0 [31 + 8 ∙ ( )] = 1
1 − 2/3
Cuja solução é:
𝑝0 ∙ 55 = 1
1
𝑝0 =
55
𝑝0 = 0,01818
(⋮)
257
Por exemplo, a probabilidade de haver 4 clientes no sistema no estado de
equilíbrio é:
𝑝4 = 8𝑝0 = 8 ∙ 0,01818 = 0,14544
Para calcular o número esperado de caixas abertos, temos (com 0 clientes temos
0 caixas abertos; com 1, 2 ou 3 clientes temos 1 caixa aberto, com 4, 5 ou 6 clientes temos
2 caixas abertos e com mais de 6 clientes temos os 3 caixas abertos):
0𝑝0 + 1 ∙ (𝑝1 + 𝑝2 + 𝑝3 ) + 2 ∙ (𝑝4 + 𝑝5 + 𝑝6 ) + 3 ∙ (𝑝7 + 𝑝8 + ⋯ ) = 2 caixas
Esse mesmo resultado poderia ser encontrado simplesmente considerando o
número de caixas totais (3) menos o número de caixas fechados (1), resultando em 2
caixas abertos (então, temos em média 2 caixas abertos e 1 caixa fechado).
Observe que os caixas abertos (em funcionamento) são os caixas que estão
ocupados (e os caixas fechados são os caixas ociosos). Logo, a partir desse resultado,
podemos determinar a taxa de utilização da instalação (a taxa de ocupação dos caixas),
que é igual ao valor médio (esperado) de ocupação (2 caixas) dividido pelo número total
de caixas (3 caixas), ou seja, 2/3 = 0,667 (em média, os caixas ficam ocupados em 66,7%
do tempo).
Existem diversas medidas de desempenho que podem ser calculadas a partir dos
conceitos que vimos nessa seção. Antes disso, veremos as diferentes classificações das
filas para, em seguida, estudar as medidas de desempenho no estado de equilíbrio.
258
Classificação das filas
Além disso, os clientes que são atendidos podem ir para uma próxima instalação
de serviço (em série). Isso significa que a taxa de atendimento de cliente (de saída de
cliente) é também a taxa de chegada de cliente na fila da próxima instalação.
A partir da figura, pode-se notar que o número de clientes no sistema é igual ao
número de clientes que estão esperando na fila somado com o número de clientes em
atendimento (se possuímos 3 servidores em paralelo e 8 clientes na fila, então
certamente temos 11 clientes no sistema – pois se existem clientes na fila, significa que
os servidores estão ocupados com clientes).
259
Para resumir as características de uma situação de fila, podemos utilizar a
seguinte notação, conhecida como notação de Kendall:
(a/b/c):(d/e/f)
Em que:
a = distribuição de chegadas.
d = disciplina da fila.
260
Para entender essa notação, considere o seguinte exemplo:
Solução:
Solução:
261
O número esperado de clientes do sistema é calculado como:
𝐿𝑠 = 0𝑝0 + 1𝑝1 + 2𝑝2 + 3𝑝3 + ⋯
𝐿𝑠 = ∑ 𝑛𝑝𝑛
𝑛=1
Considere, por exemplo, que o sistema tenha 2 servidores em paralelo. Nesse caso,
se tiverem 0, 1 ou 2 clientes no sistema, o número de clientes na fila será igual a 0 (pois
todos estarão em atendimento). Se tiverem mais de 2 clientes no sistema, o número de
clientes na fila será igual ao número de clientes no sistema (𝑛) menos o número de
servidores (𝑐), pois todos os servidores estarão ocupados. Ou seja, se tiverem 3 clientes
no sistema, então o número de clientes na fila será 1; se forem 4 clientes no sistema
então haverá 2 clientes na fila e assim por diante. Matematicamente:
𝐿𝑞 = 0𝑝0 + 0𝑝1 + 0𝑝2 + 1𝑝3 + 2𝑝4 + 3𝑝5 + ⋯
𝐿𝑞 = ∑ (𝑛 − 𝑐)𝑝𝑛
𝑛=𝑐+1
𝐿𝑞 = 𝜆𝑒𝑓𝑓 𝑊𝑞
Isto é, o número esperado de clientes no sistema (ou na fila) é igual a taxa efetiva
de chegada de clientes (𝜆𝑒𝑓𝑓 ) multiplicada pelo tempo de espera estimado no sistema (ou
na fila).
262
A taxa efetiva (𝜆𝑒𝑓𝑓 ) é igual a taxa nominal de chegada (𝜆) se todos os clientes que
chegam entram no sistema (se não existirem clientes “desistentes”, ou “perdidos” por
lotação do sistema). Caso existam clientes que não possam se juntar ao sistema devido
ao sistema estar cheio (acima do valor de “e”, ou seja, acima do “número máximo de
clientes permitido no sistema), então a taxa efetiva de chegada de clientes será menor
do que a taxa nominal (𝜆𝑒𝑓𝑓 < 𝜆). Ou seja, 𝜆𝑒𝑓𝑓 define a taxa de chegada de clientes que
“efetivamente” entraram no sistema (ou seja, é a taxa de chegada nominal 𝜆 menos a
taxa de clientes “perdidos” 𝜆𝑙𝑜𝑠𝑡 , por encontrarem o sistema cheio).
Temos também que o tempo de espera estimado no sistema (tempo total médio)
deve ser igual ao tempo de espera estimado na fila (tempo médio de espera na fila)
somado com o tempo de serviço esperado (tempo médio de atendimento), ou seja:
1
𝑊𝑠 = 𝑊𝑞 +
𝜇
Se multiplicarmos essa equação por 𝜆𝑒𝑓𝑓 , teremos
𝜆𝑒𝑓𝑓
𝑊𝑠 𝜆𝑒𝑓𝑓 = 𝑊𝑞 𝜆𝑒𝑓𝑓 +
𝜇
Os dois primeiros termos dessa equação são 𝐿𝑠 e 𝐿𝑞 (da fórmula de Little),
respectivamente, resultando em:
𝜆𝑒𝑓𝑓
𝐿𝑠 = 𝐿𝑞 +
𝜇
263
A partir daí, temos que o número médio de servidores ocupados 𝑐̅ é igual ao
número médio de clientes no sistema 𝐿𝑠 menos o número médio de clientes na fila 𝐿𝑞
(pois o número de clientes do sistema que não estão na fila estão em serviço, ou seja,
estão ocupando um servidor). Assim:
𝜆𝑒𝑓𝑓
𝑐̅ = 𝐿𝑠 − 𝐿𝑞 =
𝜇
Com isso, temos que a taxa de ocupação (utilização) da instalação (ou a taxa de
ocupação dos servidores) é igual ao número de servidores ocupados dividido pelo número
de servidores totais:
𝑐̅ 𝜆𝑒𝑓𝑓
Taxa de ocupação dos servidores = =
𝑐 𝜇𝑐
Ao multiplicar esse resultado por 100 tem-se o percentual de ocupação dos
servidores (percentual de tempo em que os servidores estão ocupados, trabalhando). Se
fizermos 1 (ou 100, se estiver em porcentagem) menos a taxa de ocupação, teremos a
taxa (ou percentual) de tempo em que os servidores estão ociosos (ociosidade da
instalação).
Solução:
264
Agora, vamos determinar a probabilidade 𝑝𝑛 de haver 𝑛 carros no sistema
(estacionamento):
A taxa de atendimento (de saída) irá depender do número de carros que estiverem
no sistema (𝑛). Como a taxa entre saídas tem média 30 minutos, então, em horas, o
tempo entre saídas será igual a 0,5 horas que equivale a uma taxa de 𝜇 = 1/0,5 = 2 carros
por hora. Ou seja, a taxa de saída é igual a 2 carros por hora para cada servidor.
Temos que:
𝜆0 6
𝑝1 = ( ) 𝑝0 = ( ) 𝑝0 = 3𝑝0
𝜇1 2
𝜆1 𝜆0 6∙6 62 9
𝑝2 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) 𝑝0 = 𝑝0
𝜇2 𝜇1 4∙2 4∙2 2
𝜆2 𝜆1 𝜆0 6∙6∙6 63 9
𝑝3 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) 𝑝0 = 𝑝0
𝜇3 𝜇2 𝜇1 6∙4∙2 6∙4∙2 2
𝜆3 𝜆2 𝜆1 𝜆0 6∙6∙6∙6 64 64 34
𝑝4 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) 𝑝0 = ( 4 ) 𝑝0 = 𝑝0
𝜇4 𝜇3 𝜇2 𝜇1 8∙6∙4∙2 8∙6∙4∙2 2 ∙ 4! 4!
265
𝜆4 𝜆3 𝜆2 𝜆1 𝜆0 6∙6∙6∙6∙6 65 65 35
𝑝5 = ( )𝑝 = ( )𝑝 = ( )𝑝 = ( 5 )𝑝 = 𝑝
𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 0 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 0 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 0 2 ∙ 5! 0 5! 0
66 2 ∙ 66 36
=( ) 𝑝 = ( ) 𝑝 = 𝑝
10 ∙ 25 ∙ 5! 0 10 ∙ 26 ∙ 5! 0 5 ∙ 5! 0
𝜆6 𝜆5 𝜆4 𝜆3 𝜆2 𝜆1 𝜆0 6∙6∙6∙6∙6∙6∙6 67
𝑝7 = ( )𝑝 = ( )𝑝 = ( )𝑝 =
𝜇7 𝜇6 𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 0 10 ∙ 10 ∙ 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 0 10 ∙ 10 ∙ 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 0
67 22 ∙ 67 37
=( ) 𝑝 = ( ) 𝑝 = 𝑝
10 ∙ 10 ∙ 25 ∙ 5! 0 102 ∙ 27 ∙ 5! 0 52 ∙ 5! 0
𝜆7 𝜆6 𝜆5 𝜆4 𝜆3 𝜆2 𝜆1 𝜆0 6∙6∙6∙6∙6∙6∙6∙6 68
𝑝8 = ( ) 𝑝0 = ( ) 𝑝0 = ( )𝑝 =
𝜇8 𝜇7 𝜇6 𝜇5 𝜇4 𝜇3 𝜇2 𝜇1 10 ∙ 10 ∙ 10 ∙ 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 10 ∙ 10 ∙ 10 ∙ 10 ∙ 8 ∙ 6 ∙ 4 ∙ 2 0
68 23 ∙ 68 38
=( ) 𝑝 = ( ) 𝑝 = 𝑝
10 ∙ 10 ∙ 10 ∙ 25 ∙ 5! 0 103 ∙ 28 ∙ 5! 0 53 ∙ 5! 0
∑ 𝑝𝑛 = 1
𝑛=0
Isto é:
𝑝0 + 𝑝1 + 𝑝2 + 𝑝3 + 𝑝4 + 𝑝5 + 𝑝6 + 𝑝7 + 𝑝8 = 1
Substituindo:
34 35 36 37 38
𝑝0 + 3𝑝0 + 4,5𝑝0 + 4,5𝑝0 + 𝑝0 + 𝑝0 + 𝑝0 + 2 𝑝0 + 3 𝑝 =1
4! 5! 5 ∙ 5! 5 ∙ 5! 5 ∙ 5! 0
Colocando 𝑝0 em evidência:
34 35 36 37 38
𝑝0 (1 + 3 + 4,5 + 4,5 + + + + + )=1
4! 5! 5 ∙ 5! 52 ∙ 5! 53 ∙ 5!
266
Resultando em:
𝑝0 ∙ 20,7814 = 1
1
𝑝0 = = 0,04812
20,7814
Logo, 𝑝0 = 0,04812. Ou seja, no estado de equilíbrio, a probabilidade de não haver
carros no estacionamento (no sistema) é igual a 0,04812.
34 34
𝑝4 = 𝑝0 = 0,04812 0,16240
4! 4!
35 35
𝑝5 = 𝑝0 = 0,04812 0,09744
5! 5!
36 36
𝑝6 = 𝑝0 = 0,04812 0,05847
5 ∙ 5! 5 5!
37 37
𝑝7 = 𝑝 = 0,04812 0,03508
52 ∙ 5! 0 52 5!
38 38
𝑝8 = 3 𝑝 = 3 0,04812 0,02105
5 ∙ 5! 0 5 5!
267
Outro parâmetro importante a ser calculado é a taxa efetiva de chegada de cliente
(𝜆𝑒𝑓𝑓 ). Observe o seguinte diagrama esquemático:
Os clientes são gerados por uma fonte a uma taxa 𝜆 (6 carros por hora), chegando
ao sistema. Caso o sistema tenha vaga disponível, então o cliente entrará no sistema (a
uma taxa de 𝜆𝑒𝑓𝑓 ), do contrário, se não houver vagas, então o cliente não entrará no
sistema (a uma taxa de perda dada por 𝜆𝑙𝑜𝑠𝑡 ). Isso significa que:
𝜆 = 𝜆𝑒𝑓𝑓 + 𝜆𝑙𝑜𝑠𝑡
Isto é, a taxa de clientes perdidos por hora ocorre quando temos 8 clientes no
sistema, sendo igual a taxa de chegada quando temos 8 clientes (6 carros por hora)
multiplicada pela probabilidade de termos 8 clientes no sistema (𝑝8 ).
𝐿𝑠 = ∑ 𝑛𝑝𝑛
𝑛=1
Ou seja:
𝐿𝑠 = 1 p1 2 p2 3 p3 4 p4 5 p5 6 p6 7 p7 8 p8 = 3,12865 carros
268
Substituindo os valores das probabilidades mostradas na tabela (calculados
anteriormente), temos 𝐿𝑠 = 3,12865 carros. Ou seja, em média temos 3,12865 carros no
estacionamento (sistema), no estado de equilíbrio.
𝐿𝑞 = ∑ (𝑛 − 𝑐)𝑝𝑛
𝑛=𝑐+1
8
𝐿𝑞 = ∑(𝑛 − 5)𝑝𝑛
𝑛=6
𝐿𝑞 = 1 p6 2 p7 3 p8 = 0,1918 carros
Isolando 𝑊𝑠 :
𝐿𝑠 3,12865
𝑊𝑠 = = = 0,53265 horas
𝜆𝑒𝑓𝑓 5,8737
Como as taxas estão em carro por hora, então esse resultado do tempo médio de
espera de um carro no sistema é de 0,53265 horas (que é igual a 0,53265x60 = 31,959
minutos, isto é, aproximadamente 32 minutos).
269
Para calcular o tempo médio de espera de um carro nas vagas temporárias (na
fila em espera para ocupar uma vaga do estacionamento), podemos utilizar dois
procedimentos. O primeiro é utilizando a fórmula de Little:
𝐿𝑞 = 𝜆𝑒𝑓𝑓 𝑊𝑞
Isolando 𝑊𝑞 :
𝐿𝑞 0,1918
𝑊𝑞 = = = 0,03265 horas
𝜆𝑒𝑓𝑓 5,8737
Quanto a equação:
𝜆𝑒𝑓𝑓 5,8737
𝑐̅ = = = 2,93685
𝜇 2
Isto é, em média 2,93685 vagas do estacionamento (servidores) são ocupadas, no
estado de equilíbrio (aproximadamente 3 vagas ocupadas em média). Isso significa que
temos, em média, (5 – 2,93685) 2,06315 vagas do estacionamento ociosas
(aproximadamente 2 vagas ociosas).
Podemos ainda calcular a taxa de ocupação (utilização) das vagas (servidores,
instalação):
𝑐̅ 2,93685
Taxa de ocupação dos servidores = = = 0,58737
𝑐 5
Ou:
𝜆𝑒𝑓𝑓 5,8737
Taxa de ocupação dos servidores = = = 0,58737
𝜇𝑐 2∙5
270
Ou seja, em média 58,737% das vagas do estacionamento (instalação ou
servidores) ficam ocupadas (enquanto 1 – 0,58737 = 0,41263 ou 41,263% das vagas ficam
ociosas), no estado de equilíbrio. Isso significa que a taxa de utilização das vagas do
estacionamento (instalação ou servidores) é de 0,58737 (ou 58,737%), isto é, a instalação
(as vagas do estacionamento) ficam ocupadas, em média, em 58,737% do tempo (o
sistema utiliza 58,737% de sua capacidade máxima, que é de 5 vagas), no estado de
equilíbrio.
A presente seção irá demonstrar as fórmulas para dois modelos com um único
servidor (c = 1). No primeiro modelo não é estabelecido um limite para o número máximo
de clientes no sistema (e = ∞). Já o segundo modelo considera um limite para o tamanho
do sistema (e = 𝑁).
Para cada modelo será utilizada a notação de Kendall com o objetivo de definir as
suas características. É considerado ainda, como disciplina da fila, o símbolo GD
(disciplina geral), uma vez que todas as medidas de desempenho apresentadas são
independentes de uma disciplina específica da fila.
Modelo (M/M/1):(GD/∞/∞):
Observe que tanto as chegadas quanto as saídas seguem uma distribuição
exponencial (assim como no modelo generalizado). A característica específica para esse
modelo é que existe apenas 1 servidos (c = 1) e que o número de clientes no sistema é
ilimitado (e = ∞).
Nessas condições, temos que a taxa de chegadas 𝜆 e a taxa de serviço 𝜇 não irão
se alterar em função no número de clientes no sistema 𝑛 (a taxa 𝜆 não se altera pois a
fonte é infinita, enquanto a taxa 𝜇 não se altera pois existe apenas 1 único servidor).
271
Logo, tem-se:
𝜆 =𝜆
{ 𝑛 , para 𝑛 = 0,1,2,3, …
𝜇𝑛 = 𝜇
Além disso, como não existe limite para o sistema (e = ∞), todos os clientes que
chegam podem se juntar ao sistema. Com isso, não haverá perda de clientes 𝜆𝑙𝑜𝑠𝑡 = 0, e
consequentemente 𝜆𝑒𝑓𝑓 = 𝜆.
𝜆1 𝜆0 𝜆∙𝜆 𝜆 2
𝑝2 = ( ) 𝑝0 = ( ) 𝑝0 = ( ) 𝑝0
𝜇2 𝜇1 𝜇∙𝜇 𝜇
𝜆2 𝜆1 𝜆0 𝜆∙𝜆∙𝜆 𝜆 3
𝑝3 = ( )𝑝 = ( ) 𝑝 = ( ) 𝑝0
𝜇3 𝜇2 𝜇1 0 𝜇∙𝜇∙𝜇 0 𝜇
∑ 𝑝𝑛 = 1
𝑛=0
Isto é:
𝑝0 + 𝑝1 + 𝑝2 + 𝑝3 + 𝑝4 + 𝑝5 + ⋯ = 1
Substituindo:
𝜆 𝜆 2 𝜆 3 𝜆 4
𝑝0 + ( ) 𝑝 + ( ) 𝑝0 + ( ) 𝑝0 + ) 𝑝0 + ⋯ = 1
(
𝜇 0 𝜇 𝜇 𝜇
Colocando 𝑝0 em evidência:
𝜆 𝜆 2 𝜆 3 𝜆 4
𝑝0 (1 + ( ) + ( ) + ( ) + ( ) + ⋯ ) = 1
𝜇 𝜇 𝜇 𝜇
272
Observe que o termo:
𝜆 𝜆 2 𝜆 3 𝜆 4
1+( )+( ) +( ) +( ) +⋯
𝜇 𝜇 𝜇 𝜇
Substituindo:
∞
𝜆 𝑖 1
∑( ) =
𝜇 𝜆
𝑖=0 1−𝜇
Assim:
1
𝑝0 =1
𝜆
1−𝜇
Resultando em:
𝜆
𝑝0 = 1 −
𝜇
Vamos definir:
𝜆
𝜌=
𝜇
273
Assim:
∞
𝐿𝑠 = (1 − 𝜌) ∑ 𝑛𝜌 𝑛
𝑛=0
Substituindo:
∞
𝑑 𝑑 1 1 𝜌
𝜌 ∑ 𝜌𝑛 = 𝜌 ( )=𝜌 2
=
𝑑𝜌 𝑑𝜌 1 − 𝜌 (1 − 𝜌) (1 − 𝜌)2
𝑛=0
Logo:
∞
𝜌
∑ 𝑛𝜌 𝑛 =
(1 − 𝜌)2
𝑛=0
Substituindo na equação de 𝐿𝑠 :
∞
𝜌 𝜌
𝐿𝑠 = (1 − 𝜌) ∑ 𝑛𝜌 𝑛 = (1 − 𝜌) =
(1 − 𝜌)2 1 − 𝜌
𝑛=0
Portanto:
𝜆
𝜇 𝜆
𝐿𝑠 = =
𝜆 𝜇−𝜆
1−𝜇
𝜆
𝐿𝑠 =
𝜇−𝜆
Como 𝜆𝑒𝑓𝑓 = 𝜆, temos que o tempo médio de espera no sistema é dado por:
𝜆
𝐿𝑠 𝐿𝑠 𝜇 − 𝜆 1
𝑊𝑠 = = = =
𝜆𝑒𝑓𝑓 𝜆 𝜆 𝜇−𝜆
1
𝑊𝑠 =
𝜇−𝜆
274
Além disso, o tempo médio de espera na fila é dado por:
1 1 1 𝜆
𝑊𝑞 = 𝑊𝑠 − = − =
𝜇 𝜇 − 𝜆 𝜇 𝜇 ∙ (𝜇 − 𝜆)
𝜆
𝑊𝑞 =
𝜇 ∙ (𝜇 − 𝜆)
Modelo (M/M/1):(GD/N/∞):
275
Nesse caso, de forma equivalente ao modelo anterior, a probabilidade de ter 𝑛
clientes no sistema é dada por:
𝜆 𝑛
( ) 𝑝0 , para 𝑛 ≤ 𝑁
𝑝𝑛 = { 𝜇
0, para 𝑛 > 𝑁
Ou seja, ela é igual a fórmula anterior, desde que 𝑛 ≤ 𝑁 (e igual a 0 para 𝑛 > 𝑁).
∑ 𝑝𝑛 = 1
𝑛=0
Isto é:
𝑝0 + 𝑝1 + 𝑝2 + 𝑝3 + ⋯ + 𝑝𝑁 = 1
𝜆 𝜆 2 𝜆 3 𝜆 𝑁
𝑝0 (1 + ( ) + ( ) + ( ) + ⋯ + ( ) ) = 1
𝜇 𝜇 𝜇 𝜇
𝜆 𝜆 2 𝜆 3 𝜆 𝑁
1 + ( )+ ( ) + ( ) + ⋯+ ( )
𝜇 𝜇 𝜇 𝜇
É uma soma de PG (Progressão Geométrica) finita, cuja fórmula é:
𝑘
𝑥𝑘 − 1
∑ 𝑥𝑖 = , para 𝑥 ≠ 1
𝑥−1
𝑖=0
𝑁+1 𝜆 𝑁+1
𝜆 ( 𝑖) −1
𝜇
∑( ) =
𝜇 𝜆
𝑖=0 −1
𝜇
Substituindo:
𝜆 𝑁+1
( ) −1
𝜇
𝑝0 =1
𝜆
− 1
𝜇
276
Resultando em:
𝜆
−1 𝜆
𝜇
𝑝0 = 𝑁+1 , para ≠1
𝜆 𝜇
(𝜇 ) −1
Assim:
𝑁+1
𝜆 𝑖
∑( ) =𝑁+1
𝜇
𝑖=1
Substituindo:
𝑝0 (𝑁 + 1) = 1
Resultando em:
1 𝜆
𝑝0 = , para =1
𝑁+1 𝜇
Dessa forma, a probabilidade de ter 𝑛 clientes no sistema é dada por:
𝜆
𝜆 𝑛 𝜇−1 𝜆
( ) ∙ 𝑁+1 , para ≠1
𝜇 𝜆 𝜇
𝑝𝑛 = [(𝜇 ) − 1]
1 𝜆
, para =1
{ 𝑁+1 𝜇
Naturalmente, essa fórmula vale para 𝑛 ≤ 𝑁 (caso contrário, para 𝑛 > 𝑁, 𝑝𝑛 é
igual a 0).
É importante ressaltar que a razão 𝜆/𝜇, diferentemente do modelo anterior, não
precisa ser menor do que 1, pois as chegadas são controladas pelo próprio limite 𝑁 do
sistema. Isso significa que a taxa que importa é a 𝜆𝑒𝑓𝑓 e não 𝜆.
Como haverá perda de clientes quando houver 𝑁 clientes no sistema, temos que:
𝜆𝑙𝑜𝑠𝑡 = 𝜆𝑝𝑁
𝜆𝑒𝑓𝑓 = 𝜆 − 𝜆𝑙𝑜𝑠𝑡 = 𝜆(1 − 𝑝𝑁 )
Nesse caso, teremos sempre 𝜆𝑒𝑓𝑓 < 𝜇 e portanto o sistema tenderá a um equilíbrio.
277
O número esperado de clientes no sistema é calculado como:
𝑁 𝑁 𝜆 𝜆 𝑁
𝜆 𝑛 −1 −1 𝜆 𝑛
𝜇 𝜇
𝐿𝑠 = ∑ 𝑛𝑝𝑛 = ∑ 𝑛 ( ) ∙ = ∑𝑛( )
𝜇 𝜆 𝑁+1 𝜆 𝑁+1 𝜇
[(𝜇 ) − 1] [( 𝜇 ) − 1] 𝑛=1
𝑛=1 𝑛=0
Vamos definir:
𝜆
𝜌=
𝜇
Assim:
𝑁
𝜌−1
𝐿𝑠 = [ 𝑁+1 ] ∑ 𝑛𝜌 𝑛
𝜌 −1
𝑛=0
Substituindo:
𝑁
𝑑 𝑛
𝑑 𝜌 𝑁+1 − 1 𝜌[𝑁𝜌 𝑁+1 − (𝑁 + 1)𝜌 𝑁 + 1]
𝜌 ∑ 𝜌 =𝜌 ( )=
𝑑𝜌 𝑑𝜌 𝜌−1 (1 − 𝜌)2
𝑛=1
Logo:
𝑁
𝜌[𝑁𝜌 𝑁+1 − (𝑁 + 1)𝜌 𝑁 + 1]
∑ 𝑛𝜌 𝑛 =
(1 − 𝜌)2
𝑛=0
Substituindo na equação de 𝐿𝑠 :
𝑁
𝜌−1 𝜌 − 1 𝜌[𝑁𝜌 𝑁+1 − (𝑁 + 1)𝜌 𝑁 + 1]
𝐿𝑠 = [ 𝑁+1 ] ∑ 𝑛𝜌 𝑛 = [ 𝑁+1 ]
𝜌 −1 𝜌 −1 (1 − 𝜌)2
𝑛=0
Portanto:
𝜌[𝑁𝜌 𝑁+1 − (𝑁 + 1)𝜌 𝑁 + 1] 𝜆
𝐿𝑠 = , para 𝜌 = ≠1
(𝜌 𝑁+1 − 1)(1 − 𝜌) 𝜇
278
Para o caso em que 𝜆/𝜇 = 1 (isto é, 𝜌 = 1), temos que:
𝑁 𝑁 𝑁
1 1
𝐿𝑠 = ∑ 𝑛𝑝𝑛 = ∑ 𝑛 = ∑𝑛
𝑁+1 𝑁+1
𝑛=1 𝑛=1 𝑛=1
∑𝑛
𝑛=1
Substituindo:
𝑁
1 1 𝑁(𝑁 + 1) 𝑁
𝐿𝑠 = ∑𝑛 = =
𝑁+1 𝑁+1 2 2
𝑛=1
Logo:
𝑁 𝜆
𝐿𝑠 = , para =1
2 𝜇
279
Modelos de filas com múltiplos servidores
Esta seção considera dois modelos de filas com múltiplos servidores em paralelo.
É importante observar que ambos os modelos que serão apresentados aqui são versões
multisservidores dos dois modelos demonstrados na seção anterior. Além disso, deve-se
ressaltar que ambos os modelos aqui apresentados, assim como na seção anterior, serão
obtidos a partir do modelo generalizado.
Modelo (M/M/c):(GD/∞/∞):
Note que a taxa de serviço cresce com 𝑛 até que se alcance o número de servidores
em paralelo 𝑐 (primeiro termo). Em outras palavras, com apenas um cliente no sistema
(𝑛 = 1), a taxa de serviço é 𝜇; com dois clientes no sistema (𝑛 = 2), a taxa de serviço é 2𝜇;
com três clientes no sistema (𝑛 = 3), a taxa de serviço é 3𝜇, e assim por diante até 𝑛 = 𝑐.
A partir daí, a taxa de serviço passa a ser constante (segundo termo), isto é passa a ser
dada por 𝑐𝜇.
Para 𝑛 < 𝑐:
34
𝑝4 = 𝑝
4! 0
Logo:
𝜆 𝑛
( )
µ
𝑝𝑛 = 𝑝
𝑛! 0
Para 𝑛 ≥ 𝑐:
38
𝑝8 = 𝑝
53 ∙ 5! 0
280
Logo:
𝑛
𝜆
( )
µ
𝑝𝑛 = 𝑝0
𝑐 𝑛−𝑐 ∙ 𝑐!
Assim:
𝜆 𝑛
( )
µ
𝑝 , para 𝑛 < 𝑐
𝑝𝑛 = 𝑛! 0
𝜆 𝑛
( )
µ
{𝑐 𝑛−𝑐 ∙ 𝑐! 𝑝0 , para 𝑛 ≥ 𝑐
∑ 𝑝𝑛 = 1
𝑛=0
Considerando 𝜌 = 𝜆/µ e dado que 𝜌/𝑐 < 1 (para que a solução convirja), temos:
𝑐−1 ∞
𝜌𝑛 𝜌𝑛
∑ 𝑝0 + ∑ 𝑛−𝑐 𝑝 =1
𝑛! 𝑐 ∙ 𝑐! 0
𝑛=0 𝑛=𝑐
𝑐−1 ∞
𝜌𝑛 𝜌𝑛−𝑐
𝑝0 [∑ + 𝜌𝑐 ∑ 𝑛−𝑐 ] = 1
𝑛! 𝑐 ∙ 𝑐!
𝑛=0 𝑛=𝑐
𝑐−1 ∞
𝜌 𝑛 𝜌𝑐 𝜌 𝑛−𝑐
𝑝0 [∑ + ∑( ) ] = 1
𝑛! 𝑐! 𝑐
𝑛=0 𝑛=𝑐
(⋮ )
𝑐−1
𝜌𝑛 𝜌 𝑐 1
𝑝0 [∑ + ( )] = 1
𝑛! 𝑐! 1 − 𝜌
𝑛=0 𝑐
Resultando em:
1
𝑝0 =
𝜌𝑛 𝜌𝑐 1
∑𝑐−1
𝑛=0 𝑛! + 𝑐! (1 − 𝜌)
𝑐
281
Assim:
𝜌𝑛 1
, para 𝑛 < 𝑐
𝑛!
𝜌𝑛 𝜌𝑐 1
∑𝑐−1
𝑛=0 𝑛! + 𝑐! (1 − 𝜌)
𝑐
𝑝𝑛 =
𝜌𝑛 1
, para 𝑛 ≥ 𝑐
𝑐 𝑛−𝑐 ∙ 𝑐!
𝜌𝑛 𝜌𝑐
1
∑𝑐−1
𝑛=0 𝑛! + 𝑐! (1 − 𝜌)
{ 𝑐
A expressão para o comprimento médio da fila pode ser obtida a partir da seguinte
expressão:
∞
𝐿𝑞 = ∑(𝑛 − 𝑐)𝑝𝑛
𝑛=𝑐
Considere 𝑘 = 𝑛 − 𝑐. Assim:
∞
𝐿𝑞 = ∑ 𝑘𝑝𝑘+𝑐
𝑘=0
Considere:
𝜌 𝜆
𝛽= =
𝑐 µ𝑐
Com isso:
∞ ∞
𝜌 𝑐+1 𝑝0 𝜌 𝑐+1 𝑝0 𝑑
𝐿𝑞 = ∑ 𝑘𝛽𝑘−1 = ∑ 𝛽𝑘
𝑐! 𝑐 𝑐! 𝑐 𝑑𝛽
𝑘=0 𝑘=0
(⋮ )
𝜌 𝑐+1
𝐿𝑞 = 𝑝0
(𝑐 − 1)! (𝑐 − 𝜌)2
282
Como 𝜆𝑒𝑓𝑓 = 𝜆, temos que:
𝜆𝑒𝑓𝑓 𝜆
𝐿 𝑠 = 𝐿𝑞 + = 𝐿𝑞 + = 𝐿𝑞 + 𝜌
𝜇 𝜇
𝐿𝑠 𝐿𝑠
𝑊𝑠 = =
𝜆𝑒𝑓𝑓 𝜆
1
𝑊𝑞 = 𝑊𝑠 −
𝜇
Ou:
𝐿𝑞 𝐿𝑞
𝑊𝑞 = =
𝜆𝑒𝑓𝑓 𝜆
𝜆𝑒𝑓𝑓 𝜆
𝑐̅ = =
𝜇 𝜇
𝜆
𝑐̅ 𝜇 𝜆
Taxa de ocupação dos servidores = = =
𝑐 𝑐 𝑐𝜇
Modelo (M/M/c):(GD/N/∞):
Considerando:
𝜆
𝜌=
µ
283
Temos então:
𝜌𝑛
𝑝 , para 𝑛 < 𝑐
𝑝𝑛 = { 𝑛! 0
𝜌𝑛
𝑝0 , para 𝑐 ≤ 𝑛 ≤ 𝑁
𝑐 𝑛−𝑐 ∙ 𝑐!
O valor de 𝑝0 é calculado com base na equação:
𝑁
∑ 𝑝𝑛 = 1
𝑛=0
Isto é:
𝑐−1 𝑁
𝜌𝑛 𝜌𝑛
∑ 𝑝0 + ∑ 𝑛−𝑐 𝑝 =1
𝑛! 𝑐 ∙ 𝑐! 0
𝑛=0 𝑛=𝑐
(⋮ )
𝐿𝑞 = ∑(𝑛 − 𝑐)𝑝𝑛
𝑛=𝑐
Considere 𝑘 = 𝑛 − 𝑐. Assim:
𝑁−𝑐
𝐿𝑞 = ∑ 𝑘𝑝𝑘+𝑐
𝑘=0
(⋮ )
𝜌 𝑐 (𝑁 − 𝑐)(𝑁 − 𝑐 + 1)
𝐿𝑞 = 𝑝0
2 𝑐!
Assim:
𝜌 𝑐+1 𝜌 𝑁−𝑐+1 𝜌 𝜌 𝑁−𝑐 𝜌
{1 − ( ) − (𝑁 − 𝑐 + 1) (1 − ) ( ) } 𝑝0 , para ≠1
(𝑐 − 1)! (𝑐 − 𝜌)2 𝑐 𝑐 𝑐 𝑐
𝐿𝑞 =
𝜌 𝑐 (𝑁 − 𝑐)(𝑁 − 𝑐 + 1) 𝜌
𝑝0 , para = 1
{ 2 𝑐! 𝑐
Como haverá perda de clientes quando houver 𝑁 clientes no sistema, temos que:
𝜆𝑙𝑜𝑠𝑡 = 𝜆𝑝𝑁
𝜆𝑒𝑓𝑓 = 𝜆 − 𝜆𝑙𝑜𝑠𝑡 = 𝜆(1 − 𝑝𝑁 )
Dessa forma:
𝜆𝑒𝑓𝑓 𝜆(1 − 𝑝𝑁 )
𝐿𝑠 = 𝐿𝑞 + = 𝐿𝑞 +
𝜇 𝜇
𝐿𝑠 𝐿𝑠
𝑊𝑠 = =
𝜆𝑒𝑓𝑓 𝜆(1 − 𝑝𝑁 )
1
𝑊𝑞 = 𝑊𝑠 −
𝜇
Ou:
𝐿𝑞 𝐿𝑞
𝑊𝑞 = =
𝜆𝑒𝑓𝑓 𝜆(1 − 𝑝𝑁 )
𝜆𝑒𝑓𝑓 𝜆(1 − 𝑝𝑁 )
𝑐̅ = =
𝜇 𝜇
𝜆(1 − 𝑝𝑁 )
𝑐̅ 𝜇 𝜆(1 − 𝑝𝑁 )
Taxa de ocupação dos servidores = = =
𝑐 𝑐 𝑐𝜇
285
Modelos de decisão de filas baseados em custo
É importante observar que tal modelo reconhece que níveis mais elevados de
serviço reduzem o tempo (e o custo) de espera do cliente no sistema, mas aumenta o
custo da instalação. Por outro lado, menores níveis de serviço reduzem o custo da
instalação, mas aumentam o tempo (e o custo) de espera do cliente.
Note que os dois custos estão em conflito pois o aumento de um provoca a redução
do outro, e vice-versa.
Em que:
𝐸𝑊𝐶 = custo esperado (médio) de espera do cliente por unidade de tempo (custo
da espera).
286
As formas mais simples para o 𝐸𝑂𝐶 (custo do serviço) e o 𝐸𝑊𝐶 (custo de espera)
são as seguintes funções lineares:
𝐸𝑂𝐶 (𝑥 ) = 𝐶1 𝑥
𝐸𝑊𝐶 (𝑥 ) = 𝐶2 𝐿𝑠
Em que:
Exemplo 1:
287
Solução:
Sabendo que um dia tem 24 horas e que o custo operacional apresentado na tabela
está em $ por hora, temos que:
𝐸𝑇𝐶𝑖 = 24𝐶1𝑖 𝑐 + 𝐶2𝑖 𝐿𝑠𝑖
Note que os valores de 𝐶1𝑖 são o custo operacional em $ por hora (por isso ele foi
multiplicado por 24 para calcular o custo operacional em $ por dia) para cada modelo,
mostrados na tabela. O número de clientes não atendidos é o número de clientes no
sistema 𝐿𝑠 (por exemplo, se 𝐿𝑠 = 3, então existem em média 3 clientes no sistema, isto é,
existem 3 clientes que não foram atendidos). É importante ressaltar que tanto os
clientes na fila quanto os clientes em atendimento ainda não foram atendidos.
O modelo de filas para esse problema possui apenas um servidor (uma máquina
copiadora) e não existem limites para o número máximo de clientes no sistema. Logo,
esse problema pode ser tratado como um modelo (M/M/1):(GD/∞/∞). Assim:
𝜆
𝐿𝑠𝑖 =
𝜇𝑖 − 𝜆
Para o modelo 1:
10.000 333,33
Tempo médio por serviço = = 333,33 minutos = = 0,2315 dias
30 60 ∙ 24
1
𝜇1 = = 4,32 clientes (serviços) por dia
0,2315
Para o modelo 2:
10.000
Tempo médio por serviço = = 0,1929 dias
36 ∙ 60 ∙ 24
1
𝜇2 = = 5,18 clientes (serviços) por dia
0,1929
288
Para o modelo 3:
10.000
Tempo médio por serviço = = 0,13889 dias
50 ∙ 60 ∙ 24
1
𝜇3 = = 7,2 clientes (serviços) por dia
0,13889
Para o modelo 4:
10.000
Tempo médio por serviço = = 0,10522 dias
66 ∙ 60 ∙ 24
1
𝜇4 = = 9,5 clientes (serviços) por dia
0,10522
A tabela a seguir resume esses resultados:
A partir dessa tabela, e sabendo que 𝜆 = 4 serviços (clientes) por dia, pode-se
calcular o comprimento médio do sistema por meio de:
𝜆
𝐿𝑠𝑖 =
𝜇𝑖 − 𝜆
Para o modelo 1:
𝜆 4
𝐿𝑠1 = = = 12,5 clientes (serviços)
𝜇1 − 𝜆 4,32 − 4
Para o modelo 2:
𝜆 4
𝐿𝑠2 = = = 3,39 clientes (serviços)
𝜇2 − 𝜆 5,18 − 4
Para o modelo 3:
𝜆 4
𝐿𝑠3 = = = 1,25 clientes (serviços)
𝜇3 − 𝜆 7,2 − 4
Para o modelo 4:
𝜆 4
𝐿𝑠4 = = = 0,73 clientes (serviços)
𝜇4 − 𝜆 9,5 − 4
289
A tabela a seguir resume todos esses dados do problema:
Observe que o modelo 1 representa a copiadora com menor índice de serviço (que
é representado pela taxa de serviço), e por isso, é a que possui o maior número de clientes
no sistema (maior número de atrasos). Por outro lado, o modelo 4 é a copiadora com
maior índice de serviço (maior taxa de serviço), e por isso, é a que possui menor número
de atrasos.
Para o modelo 1:
𝐸𝑇𝐶1 = 24𝐶11 + 80𝐿𝑠1 = 24 ∙ 15 + 80 ∙ 12,5 = 360 + 1.000 = $ 1.360,00
Para o modelo 2:
𝐸𝑇𝐶2 = 24𝐶12 + 80𝐿𝑠2 = 24 ∙ 20 + 80 ∙ 3,39 = 480 + 271,2 = $ 751,20
Para o modelo 3:
𝐸𝑇𝐶3 = 24𝐶13 + 80𝐿𝑠3 = 24 ∙ 24 + 80 ∙ 1,25 = 576 + 100 = $ 676,00
Para o modelo 4:
𝐸𝑇𝐶4 = 24𝐶14 + 80𝐿𝑠4 = 24 ∙ 27 + 80 ∙ 0,73 = 648 + 58,4 = $ 706,40
Note que o primeiro termo (custo do serviço, isto é, custo da copiadora) aumenta
e o segundo termo (custo da espera, isto é, custo do atraso do serviço) diminui conforme
o nível de serviço (taxa de serviço) aumenta. Observe ainda que o modelo ótimo (que
minimiza o custo total) é o modelo 3, destacado na tabela.
290
Modelos computacionais para o estudo das filas
Deve-se notar que, muitas vezes, não é possível desenvolver modelos analíticos
para sistemas de filas, devido à complexidade das chegadas ou dos serviços. É o caso de
sistemas com várias estações de serviço, clientes com algum tipo de prioridade de
atendimento e modelos não Markovianos, no qual a informação do que ocorreu no
passado é importante além de o conhecimento do estado atual do sistema.
Na resolução destes problemas pode ser necessário passar das técnicas analíticas
para as simulações (modelos computacionais), embora deva ser destacado que os
métodos analíticos, sendo viáveis, sempre fornecerão melhores resultados que os
métodos de simulação (fornecerão o resultado exato).
Logo, a melhor abordagem é aquela que permite uma análise preliminar, através
de um modelo matemático analítico, seguida de uma simulação (quando necessária), que
leve em conta aspectos não considerados, uma vez que nem sempre os modelos de filas
convencionais conseguem representar as situações reais com grande precisão
(normalmente criamos versões “ideais” da realidade para que o modelo analítico tenha
solução).
291
Para ilustrar o papel das simulações no dimensionamento de sistemas de filas,
iremos apresentar agora um exemplo do uso do software Arena. O Arena possui uma
versão gratuita (Arena Acadêmico) para estudantes, que pode ser baixada do seguinte
site:
https://www.paragon.com.br/arena-academico-student/
𝑐̅ = 2,93685 vagas
Taxa de ocupação dos servidores = 0,58737
Agora, vamos obter essa solução, ainda de forma analítica, mas por meio dos
modelos “específicos” apresentados nas seções anteriores. Note que esse problema possui
um modelo do tipo (M/M/c):(GD/N/∞), mais precisamente (M/M/5):(GD/8/∞), uma vez que
existem 5 servidores (5 vagas) em paralelo 𝑐 = 5, e o número máximo de clientes (de
carros) no sistema é 𝑁 = 8. Além disso, temos que a taxa de chegada é 𝜆 = 6 carros
(clientes) por hora e que a taxa de atendimento é 𝜇 = 2 carros (clientes) por hora.
E que:
𝜌 3
= = 0,6 ≠ 1
𝑐 5
Logo, temos:
1 1 1
𝑝0 = = = = 0,04812
𝜌 𝑁−𝑐+1 3𝑛 35 (1 − 0,64 ) 16,375 + 4,4064
𝜌 𝑐 (1 − ( ) ) ∑4𝑛=0 +
𝜌𝑛 𝑐 𝑛! (1 − 0,6)5!
∑𝑐−1
𝑛=0 𝑛! + 𝜌
(1 − 𝑐 ) 𝑐!
292
Assim:
𝜌 𝑐+1 𝜌 𝑁−𝑐+1 𝜌 𝜌 𝑁−𝑐
𝐿𝑞 = {1 − ( ) − (𝑁 − 𝑐 + 1) (1 − ) ( ) } 𝑝0
(𝑐 − 1)! (𝑐 − 𝜌)2 𝑐 𝑐 𝑐
36
𝐿𝑞 = {1 − 0,64 − 4(1 − 0,6)0,63 } ∙ 0,04812 = 7,59375 ∙ 0,5248 ∙ 0,04812 = 0,1918
4! (5 − 3)2
Além disso:
𝜌𝑁
𝑝𝑁 = 𝑝8 = 𝑝0
𝑐 𝑁−𝑐 ∙ 𝑐!
38
𝑝𝑁 = 𝑝8 = 0,04812 = 0,02105
53 ∙ 5!
Daí:
𝜆𝑒𝑓𝑓 = 𝜆 − 𝜆𝑙𝑜𝑠𝑡 = 6(1 − 0,02105) = 5,8737
Com isso:
𝜆𝑒𝑓𝑓 5,8737
𝐿𝑠 = 𝐿 𝑞 + = 0,1918 + = 3,12865
𝜇 2
𝐿𝑠 3,12865
𝑊𝑠 = = = 0,53265 horas = 31,96 minutos
𝜆𝑒𝑓𝑓 5,8737
𝐿𝑞 0,1918
𝑊𝑞 = = = 0,03267 horas = 1,96 minutos
𝜆𝑒𝑓𝑓 5,8737
𝜆𝑒𝑓𝑓 5,8737
𝑐̅ = = = 2,93685
𝜇 2
𝑐̅ 2,93685
Taxa de ocupação dos servidores = = = 0,58737
𝑐 5
Que são os mesmos resultados encontrados pelo modelo generalizado.
Por fim, iremos construir o modelo computacional desse problema no Arena, para
obter o resultado (as medidas de desempenho desse sistema de fila) por meio de
simulações.
293
O modelo computacional completo desse problema é mostrado a seguir:
294
O tempo de serviço é exponencial, sendo sua média igual a 1/𝜇 = 1/2 = 0,5 horas =
0,5x60 = 30 minutos. Além disso, é preciso acessar a tabela Resource e mudar o valor da
“capacidade” para 5, pois são 5 servidores (vagas).
A configuração do bloco Decide (“FILA COM 3?”) é apresentada a seguir:
Esse bloco foi utilizado para “descartar” as entradas quando a fila no processo
está com 3 clientes. Para isso, usou-se a condição “NQ(Queue.VAGAS <= 2)”. Assim, se
o número de clientes na fila for maior do que 2 (igual a 3), o cliente que chegar será
“descartado”.
Os dois blocos de Dispose (os blocos SAÍDA e DESISTENTES) foram criados
apenas para que haja a saída dos clientes (carros) do sistema.
A configuração da simulação é mostrada a seguir:
295
Para que o resultado da simulação seja exato (como é o resultado analítico) a
duração da simulação deve tender a infinito. Na prática escolheremos um valor muito
grande (para essa simulação, escolhemos uma duração de 100.000 horas). Em geral,
quanto maior for a duração, mais preciso será o resultado (contudo, maior será o tempo
para que a simulação seja concluída).
Os relatórios resultantes dessa simulação apresentam os resultados para
diferentes medidas de desempenho. Observe que o tempo médio total de um cliente
(carro) no sistema (𝑊𝑠 ) é dado por:
Que foi muito próximo do valor 𝐿𝑠 = 3,12865 carros encontrado via modelo
analítico.
A seguir é apresentado tanto o tempo médio de permanência de um cliente (carro)
𝑊𝑞 e o número médio de clientes (carros) 𝐿𝑞 na fila:
Observe que os resultados foram muito próximos aos valores 𝑊𝑞 = 1,96 minutos e
𝐿𝑞 = 0,1918 carros, encontrados via modelo analítico.
Finalmente é apresentado também a taxa de ocupação dos servidores (das vagas)
e o número médio de servidores (vagas) ocupados 𝑐̅:
Note novamente que os resultados foram muito próximos aos valores da Taxa de
ocupação = 0,58737 e 𝑐̅ = 2,93685 vagas, encontrados via modelo analítico.
296
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 5
(1) ENADE 2011 – Engenheiro de Produção
Uma rede de fast-food 24 h definiu a seguinte estratégia de venda para seu serviço de drive-
thru: “se você encontrar mais que três clientes no sistema (fila + atendimento) receberá uma
sobremesa como cortesia”. O custo desta política é de R$ 2,00 por cliente vitimado. Na
condição atual, os clientes chegam aleatoriamente segundo um processo de Poisson a uma
taxa de 18 clientes por hora. O atendimento é realizado por um único empregado e segue
uma distribuição exponencial com média 2,5 minutos. Contudo, o gerente estima que
conseguirá por meio de melhorias no processo de montagem dos pedidos, reduzir o tempo
médio de atendimento para 2,0 minutos.
O gráfico abaixo apresenta as funções probabilidades acumuladas de haver n clientes no
drive-thru (fila + atendimento) para dois tempos médios de atendimento (TA), em minutos.
297
(2) ENADE 2014 – Engenheiro de Produção [Adaptada]
Considere que um prefeito tem como prioridade a saúde dos munícipes conterrâneos.
Seu último projeto é a implantação de um processo de vacinação rápida, que consiste em
vacinadores que recebem os munícipes e aplicam um conjunto de anticorpos
manipulados, melhorando o sistema imunológico do cidadão. De acordo com as normas
técnicas de saúde vigentes nessa região, o procedimento vacinatório, incluindo
atendimento prévio, triagem e a aplicação em si, ocorre em 30 minutos (µ = 2 pessoas
por hora). Estima-se que a população irá procurar os postos de vacinação a uma taxa (λ)
de 1,25 pessoas por hora. Devido a limitação do posto de saúde, não é possível aguardar
em fila, de forma que a espera é considerada como perda. Considere que tanto a chegada
de cidadãos como a aplicação de vacinas são processos markovianos. Dado:
Se o prefeito deseja que a taxa de perdas seja inferior a 1%, quantos vacinadores (n), no
mínimo, deverão ser contratados?
A. 2
B. 3
C. 7
D. 10
E. 13
298
(3) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
Dados:
e-1/4 = 0,78
e-1/2 = 0,61
O caixa de um banco, nos horários de pico, recebe, em média, 3 clientes a cada minuto.
A chegada dos clientes, nesses horários, obedece a uma distribuição de Poisson.
299
(5) FCC - 2011 - INFRAERO - Estatístico
A. 0,575.
B. 0,682
C. 0,713.
D. 0,754.
E. 0,814.
Suponha que o número de chegada de pessoas a uma fila é uma variável aleatória, cuja
média, proporcional ao tempo, é de seis pessoas por hora. As chegadas são
independentes e a probabilidade de que duas pessoas cheguem à fila num mesmo
segundo é nula. Logo, uma aproximação para a probabilidade de que duas pessoas
entrem na fila no período de meia hora é:
A. (1/3)2
B. 6.e-4,5
C. (1/3)2.(2/3)4
D. 3.e-6
E. 4,5.e-3
300
(7) CESGRANRIO - 2018 - Petrobras - Estatístico Júnior
Se o supermercado abre às 7h, a probabilidade de que tenha 5 clientes até as 09h 30min
é
45 𝑒 −4
A. 4!
45 𝑒 −4
B. 5!
54 𝑒 −4
C. 5!
104 𝑒 −10
D. 5!
105𝑒 −10
E. 5!
Para que o funcionamento do sistema seja viável, é preciso de, no mínimo, quantos
funcionários trabalhando, simultaneamente, em um carro?
A. 2.
B. 3.
C. 4.
D. 5.
301
(9) FCC - 2016 - TRT - Estatístico
II. No modelo M/M/2 com fator de utilização igual a 40% e taxa de chegada de 2 clientes
em 30 minutos, a taxa de atendimento é de 4,5 clientes por hora.
III. No modelo M/M/1/K a taxa de chegada pode ser maior do que a taxa de atendimento.
IV. No modelo M/M/1 o número médio de usuários na fila é igual ao valor do produto
entre a taxa de chegada e tempo médio que cada usuário permanece na fila.
A. I, III e IV.
B. II e III.
C. I, II e IV.
D. III e IV.
E. I, II e III.
Uma agência de viagens possui apenas um funcionário para atender a seus clientes.
Como os vários pacotes turísticos comercializados diferem muito entre si, a taxa de
atendimento é distribuída aleatoriamente, mas se aproxima da de Poisson. Em média,
chegam dois clientes a cada 50 minutos, e são atendidos quatro a cada hora. Nessas
condições, a probabilidade de haver até 2 clientes no sistema é igual a:
A. 0,784
B. 0,566
C. 0,421
D. 0,314
E. 0,179
302
(11) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
Uma agência de viagens possui apenas um funcionário para atender a seus clientes.
Como os vários pacotes turísticos comercializados diferem muito entre si, a taxa de
atendimento é distribuída aleatoriamente, mas se aproxima da de Poisson. Em média,
chegam dois clientes a cada 50 minutos, e são atendidos quatro a cada hora. Os clientes
toleram aguardar, em média, 25 minutos na fila antes de desistir do atendimento.
A. pouco risco de desistência do cliente, pois o tempo estimado de espera na fila é nulo.
E. pouco risco de desistência do cliente, pois o tempo estimado de espera na fila é de 22,5
minutos.
Uma pequena loja possui um estacionamento com apenas cinco vagas. Os carros que
precisam utilizar essas vagas chegam, de acordo com uma distribuição de Poisson, à
taxa de seis por hora. O tempo de estacionamento é exponencialmente distribuído com
média de 30 minutos. Os visitantes que não conseguem encontrar uma vaga livre
precisam estacionar em outro lugar. Sabe-se que, em média, a frequência de carros que
não conseguem uma vaga livre no estacionamento da loja é de 0,1263 por hora. Em
Teoria das Filas, é conhecida a relação de que o número médio de vagas ocupadas é igual
à taxa de entrada dividida pela taxa de atendimento. Nessas condições, a utilização
média do estacionamento é de
A. 58,7%
B. 60,0%
C. 87,4%
D. 100,0%
303
(13) FCC – 2015 – TRT – Estatístico
A. 25.
B. 30.
C. 22.
D. 20.
E. 24.
A. 1/2
B. 2/3
C. 3/2
D. 1
E. 2
304
(15) Questão de Prova Antiga
A Teoria das Filas é uma grande área da pesquisa operacional que estuda sistemas
envolvendo clientes disputando o atendimento de um ou mais servidores. Dentre as
diversas medidas de efetividade de tais sistemas temos a taxa de ocupação dos
atendentes, que é dada pela razão da taxa média de chegada de clientes pela taxa média
de atendimento, dividida pelo número de atendentes. Um trailer de fast food localizado
em uma grande rodovia é capaz de atender 5 clientes por hora, um por vez.
Sabendo-se que o fluxo de veículos na rodovia é de 150 carros por hora e que 2,0% destes
utilizam o trailer, é correto afirmar que a taxa percentual de ocupação do sistema é de
A. 25.
B. 30.
C. 60.
D. 75.
GABARITO
(1) C (2) D (3) E (4) D (5) C (6) E (7) E (8) B (9) A (10) A (11) E (12) A
305
CAPÍTULO 6 – ANÁLISE DE DECISÃO E TEORIA DOS JOGOS
Comentários do professor
Caros alunos, esse capítulo aborda os fundamentos e técnicas da análise de
decisão, também conhecida como tomada de decisão. Cada um dos tipos de tomada de
decisão, incluindo a tomada de decisão sob certeza, sob risco e sob incerteza, serão
estudados nesse capítulo. Durante esse capítulo, construiremos um modelo de decisão
sob certeza, além de o cálculo da consistência do tomador de decisão; um modelo baseado
em árvore de decisão para obter o valor esperado de uma decisão sob risco; e os diversos
critérios, como Laplace, Maximin (e Minimax), arrependimento de Savage e Hurwicz,
utilizados na tomada de decisão sob incerteza. Por fim, o capítulo apresenta a Teoria
dos Jogos, introduzindo os seus conceitos e a formulação de jogos simples com
estratégias puras e mistas.
306
AULA 1 – TOMADA DE
DECISÃO SOB CERTEZA
307
Esses tipos de problemas, a princípio, poderiam ser modelados usando a
Programação Linear. Contudo, ao considerar as incertezas inerentes a essas decisões, é
preciso definir uma nova ferramenta que seja capaz de obter a solução de problemas nos
quais a incerteza é um fator importante.
Para lidar com decisões sob certeza (em que os dados de entrada são
determinísticos), pode-se utilizar uma ferramenta chamada de AHP (Processos
Hierárquicos Analíticos – Analytic Hierarchy Processes). O AHP é utilizado quando o
julgamento é subjetivo e pode ser quantificado de forma lógica, para depois ser utilizado
como base para a tomada de decisão.
E por fim tem-se as decisões sob incerteza, as quais utilizam critérios que
dependem da atitude do tomador de decisões (por exemplo, a forma como ele lida com o
risco), que vai do otimismo para o pessimismo. Outra ferramenta que pode ser utilizada
em decisões sob incerteza é a Teoria dos Jogos, em que dois oponentes com metas
conflitantes procuram obter o melhor resultado entre as condições disponíveis para cada
um.
308
Para entender o funcionamento do AHP, considere o seguinte exemplo:
Um aluno de uma escola de ensino médio chamado Martin, precisa decidir entre
3 Universidades (Universidade A, Universidade B ou Universidade C). Para o processo
de escolha, Martin prioriza dois critérios: a localização e a reputação. Martin considera
que a reputação da Universidade é 5 vezes mais importante do que a sua localização.
Assim, ele utiliza uma análise sistemática para classificar as três Universidades
segundo a localização e a reputação, como mostrado na tabela a seguir:
Além disso, a soma de todos os critérios deve ser igual a 1 (100%), ou seja:
𝑝1 + 𝑝2 = 1
Assim:
𝑝1 + 5𝑝1 = 1
6𝑝1 = 1
1
𝑝1 = = 0,17
6
Com isso:
𝑝1 + 𝑝2 = 1
𝑝2 = 1 − 𝑝1 = 1 − 0,17 = 0,83
Isso significa que para Martin o peso da localização é de 0,17 (𝑝1 = 0,17) ou 17% e
o peso da reputação é de 0,83 (𝑝2 = 0,83) ou 83%.
309
A estrutura do problema é resumida na figura a seguir:
Da tabela temos, por exemplo, que para Martin a Universidade C é a que tem a
melhor localização e a Universidade A é a que tem a melhor reputação dentre as
Universidades.
Note que o problema possui uma única hierarquia (nível), possuindo dois critérios
(localização e reputação) e três alternativas de decisão (Universidade A, Universidade
B ou Universidade C).
Note que a soma dos pesos compostos das 3 Universidades (0,4743 + 0,2737 +
0,2520 = 1) deve ser igual a 1.
310
Note também que a soma dos pesos de todas as Universidades para cada critério
(localização e reputação), dada na tabela anterior (12,9% + 27,7% + 59,4% = 100%, ou
0,129 + 0,277 + 0,594 = 1, para a localização e 54,5% + 27,3% + 18,2% = 100%, ou 0,545
+ 0,273 + 0,182 = 1, para a reputação) são iguais a 1 (100%).
Note que agora temos duas hierarquias (dois critérios de hierarquia). Vamos
considerar que 𝑝 e 𝑞 (que presumimos serem iguais), na primeira hierarquia, consistem
nos pesos relativos dados às opiniões de Martin e de Jane no processo de seleção (como
consideramos serem iguais, então 𝑝 = 0,5 e 𝑞 = 0,5). A segunda hierarquia usa os pesos
𝑝1 e 𝑝2 (para Martin) e 𝑞1 e 𝑞2 (para Jane), refletindo as preferências de cada um deles
em relação à localização e à reputação de cada Universidade.
311
Os pesos para cada Universidade segundo cada critério dado por Martin é
representado por 𝑝𝑖𝑗 e para Jane é dado por 𝑞𝑖𝑗 , em que 𝑖 = 1, 2 representa os critérios
(localização e reputação) e 𝑗 = 1, 2, 3 representa as alternativas, ou seja, as
Universidades (Universidade A, Universidade B ou Universidade C). Os pesos para cada
Universidade segundo cada critério dado por Martin é o mesmo que foi mostrado na
tabela anterior. Assim, temos para Martin:
Por exemplo, para a Universidade A temos que o peso composto é igual ao peso
da decisão de Martin (𝑝) multiplicado pela soma entre o peso dado por Martin à
localização (𝑝1 ) multiplicado pelo peso da localização de A dado por Martin (𝑝11 ) e o peso
da reputação dado por Martin (𝑝2 ) multiplicado pelo peso da reputação de A dado por
Martin (𝑝21 ), somado com o peso da decisão de Jane (𝑞) multiplicado pela soma entre o
peso dado por Jane à localização (𝑞1 ) multiplicado pelo peso da localização de A dado por
Jane (𝑞11) e o peso da reputação dado por Jane (𝑞2 ) multiplicado pelo peso da reputação
de A dado por Jane (𝑞21 ). Com isso, temos que:
Universidade A:
Universidade B:
Universidade C:
Note que a soma dos pesos compostos das 3 Universidades (0,44214 + 0,25184 +
0,30602 = 1) deve ser igual a 1.
313
Com isso, considerando 𝐿 a localização (linha e coluna 1) e 𝑅 a reputação (linha e
coluna 2), temos a matriz de comparação associada dada por:
Para analisar essa matriz de comparação devemos sempre observar “da linha
para a coluna” (de 𝑖 para 𝑗). Por exemplo, o elemento 𝑎11 = 1 mostra que a localização
(linha 1) tem a mesma importância que a localização (coluna 1), o elemento 𝑎21 = 5
mostra que a reputação (linha 2) é 5 vezes mais importante do que a localização (coluna
1), o elemento 𝑎12 = 1/5 mostra que a localização (linha 1) é 5 vezes menos importante
(1/5) do que a reputação (coluna 2) e o elemento 𝑎22 = 1 mostra que a reputação (linha
2) tem a mesma importância que a reputação (coluna 2).
1/6 = 0,17
5/6 = 0,83
0,2/1,2 = 0,17
1/1,2 = 0,83
Assim:
Os pesos relativos desejados (de cada critério) 𝑤𝐿 e 𝑤𝑅 são as médias de cada linha,
isto é:
314
Ou seja, o peso relativo da localização (𝑤𝐿 ) é a soma dos elementos da linha 1
dividido pelo número de elementos da linha 1 (ou dividido por 𝑛) e o peso relativo da
reputação (𝑤𝑅 ) é a soma dos elementos da linha 2 dividido pelo número de elementos da
linha 2 (ou dividido por 𝑛).
Note ainda que as colunas de 𝐍 são todas idênticas. Essa característica só ocorre
quando o tomador de decisões exibe perfeita consistência na especificação das entradas
da matriz de comparação 𝐀.
315
Agora, basta dividirmos todos os elementos de ambas as matrizes pelas somas
das respectivas colunas, resultando em:
É importante ressaltar que normalizar significa fazer com que a soma dos
elementos de cada coluna seja sempre igual a 1 (observe que a soma de todos os
elementos de cada coluna é sempre 1 para todas as matrizes de comparação
normalizadas apresentadas).
Com isso, podemos determinar os pesos relativos (que é a média de cada linha):
Em que (𝑤𝐿𝐴 , 𝑤𝐿𝐵 , 𝑤𝐿𝐶 ) = (0,129, 0,277, 0,594) são os pesos relativos referente à
localização da Universidade A, da Universidade B e da Universidade C. E que (𝑤𝑅𝐴 , 𝑤𝑅𝐵 ,
𝑤𝑅𝐶 ) = (0,545, 0,273, 0,182) são os pesos relativos referente à reputação da Universidade
A, da Universidade B e da Universidade C. Note que esses valores são os mesmos
mostrados na tabela e na figura do primeiro exercício dessa seção.
316
Medida de consistência
Ou seja, essa regra deve valer para todos os elementos da matriz de comparação.
Por exemplo, considerando a matriz de comparação 𝐀 𝑅 , temos que 𝑎13 = 3 e que 𝑎12 x 𝑎23
= 2x3/2 = 3, e 𝑎13 x 𝑎33 = 3x1 = 3, ou seja, são todos iguais (se substituirmos qualquer
valor de 𝑖, 𝑗 e 𝑘 na equação acima para os elementos da matriz 𝐀 𝑅 veremos que a equação
será sempre verdadeira, pois a matriz 𝐀 𝑅 é consistente).
Vamos agora fazer esse mesmo cálculo para a matriz de comparação 𝐀 𝐿 . Nesse
caso, temos que 𝑎13 = 1/5 e que 𝑎12 x 𝑎23 = 1/2x1/2 = 1/4, e 𝑎13 x 𝑎33 = 1/5x1 = 1/5, ou seja,
𝑎12 x 𝑎23 (= 1/4) é diferente de 𝑎13 (= 1/5) o que torna a matriz 𝐀 𝐿 não consistente.
317
Outro ponto importante é que nem sempre as matrizes de comparação serão
consistentes. De modo geral, por estarmos nos baseando no julgamento humano na
construção dessas matrizes, é esperado (e tolerado) certo grau de “inconsistência”. Com
base nisso, o AHP calcula uma razão de consistência (ou grau de consistência) da matriz
de comparação 𝐀, dada como:
Em que:
Em que 𝐰
̅ é o vetor média (é o vetor contendo os pesos relativos).
Analisando o valor de CR, pode-se concluir que: se CR for igual a 0, então a matriz
de comparação é consistente; se CR for menor ou igual a 0,1, então o nível de
inconsistência (a razão de inconsistência) da matriz de comparação é aceitável; caso
contrário (se CR for maior do que 0,1), a inconsistência é elevada, e o tomador de decisões
talvez deva realizar uma nova estimativa para os elementos 𝑎𝑖𝑗 da matriz de comparação
𝐀, visando alcançar uma melhor consistência (uma menor inconsistência).
318
Em primeiro lugar, deve-se calcular as médias das linhas da matriz de
comparação normalizada 𝐍𝐿 (que já calculamos no exercício anterior):
Como:
Então:
Resultando em:
Note que 𝑛𝑚𝑎𝑥 corresponde ao valor que se deve multiplicar o vetor 𝐰 ̅ para que
ele se iguale ao vetor resultante do produto 𝐀 𝐿 𝐰
̅. E que esse valor pode ser obtido pela
soma dos elementos do vetor resultante do produto 𝐀 𝐿 𝐰 ̅.
Assim:
Note que CR < 0,1, o que significa dizer que o nível de inconsistência de 𝐀 𝐿 é
aceitável.
319
AULA 2 – TOMADA DE
DECISÃO SOB RISCO
Suponha que você tenha $ 10.000 para investir no mercado de ações, comprando
ações de uma das duas empresas: A ou B.
320
Nesse caso, em qual das empresas (A ou B) você investiria o seu dinheiro? Em
outras palavras, qual empresa trará o maior retorno esperado?
Em uma árvore de decisão, são utilizados dois tipos de nós: o quadrado representa
o ponto (ou nó) de decisão (indica que uma decisão deve ser tomada nesse ponto) e cada
círculo representa um ponto (ou nó) de evento (indica que um evento aleatório ocorre
naquele ponto). Cada uma das linhas é chamada de ramo ou ramificação.
Note então que saem dois ramos do ponto de decisão 1, o qual representa a decisão
sobre as duas alternativas de investimento (investir nas ações de A ou investir nas ações
de B). O ramo “investir nas ações de A” está ligado ao evento 2 do qual saem dois ramos
(um representando o mercado em alta e outro representando o mercado em baixa). Da
mesma forma, o ramo “investir nas ações de B” está ligado ao evento 3 do qual saem dois
ramos (um representando o mercado em alta e outro representando o mercado em
baixa).
Na saída de cada ramo estão mostrados os retornos esperados para cada evento
(investir nas ações de A e mercado em alta (0,6) = 5.000; investir nas ações de A e
mercado em baixa (0,4) = -2.000; investir nas ações de B e mercado em alta (0,6) = 1.500
e investir nas ações de B e mercado em baixa (0,4) = 500).
321
Com isso, podemos calcular o retorno esperado em um ano para cada alternativa
(de investir nas ações de A e de investir nas ações de B):
Para a ação 𝐴 = 5.000 ∙ 0,6 + (−2.000) ∙ 0,4 = $ 𝟐. 𝟐𝟎𝟎
Para a ação 𝐵 = 1.500 ∙ 0,6 + 500 ∙ 0,4 = $ 1.100
A melhor alternativa será 𝐸𝑉* = max{𝐸𝑉𝑖 }, isto é, o maior valor esperado (se o
problema representar lucro ou receita), ou 𝐸𝑉* = min{𝐸𝑉𝑖 }, isto é, o menor valor esperado
(se o problema representar prejuízo ou despesa).
Ou seja:
𝐸𝑉1 = 𝑎11 𝑝1 + 𝑎12 𝑝2
𝐸𝑉2 = 𝑎21 𝑝1 + 𝑎22 𝑝2
322
Sabe-se que 𝑝1 = 0,6 é a probabilidade de ocorrência do estado da natureza 1
(mercado em alta) e 𝑝2 = 0,4 é a probabilidade de ocorrência do estado da natureza 2
(mercado em baixa). Note que a soma das probabilidade é igual a 1 (𝑝1 + 𝑝2 = 1).
Além disso, tem-se que 𝑎11 = 5.000 é o retorno esperado para a alternativa 1 (𝑖 =
1, ou seja, escolhermos A) dado que ocorreu o estado da natureza 1 (𝑗 = 1, ou seja,
mercado em alta); 𝑎12 = –2.000 é o retorno esperado para a alternativa 1 (𝑖 = 1, ou seja,
escolhermos A) dado que ocorreu o estado da natureza 2 (𝑗 = 2, ou seja, mercado em
baixa); 𝑎21 = 1.500 é o retorno esperado para a alternativa 2 (𝑖 = 2, ou seja, escolhermos
B) dado que ocorreu o estado da natureza 1 (𝑗 = 1, ou seja, mercado em alta) e 𝑎22 = 500
é o retorno esperado para a alternativa 2 (𝑖 = 2, ou seja, escolhermos B) dado que ocorreu
o estado da natureza 2 (𝑗 = 2, ou seja, mercado em baixa). Com isso:
𝐸𝑉1 = 𝑎11 𝑝1 + 𝑎12 𝑝2 = 5000 ∙ 0,6 + (−2000) ∙ 0,4 = 2200
𝐸𝑉2 = 𝑎21 𝑝1 + 𝑎22 𝑝2 = 1500 ∙ 0,6 + 500 ∙ 0,4 = 1100
Logo, a melhor alternativa é a alternativa 1 (investir nas ações de A), pois foi a
que resultou no maior valor esperado (portanto é esperado que ela trará o maior
retorno).
323
Variações do critério do valor esperado
Esse seu amigo oferece uma opinião geral “pró” ou “contra” o investimento, a qual
pode ser quantificada da seguinte maneira: se o mercado estiver em alta, há 90% de
chance de o voto dele ser a favor do investimento; se o mercado estiver em baixa, a
chance de o voto dele ser a favor diminui para 50%.
Nesse caso, como utilizaremos essas informações adicionais?
324
Solução:
Com essa informação adicional, o problema de decisão pode ser resumido nas
seguintes questões:
325
As probabilidades posteriores são calculadas por meio do Teorema de Bayes (por
isso são também chamadas de probabilidades de Bayes). O Teorema de Bayes pode ser
expresso através da seguinte fórmula:
𝑃(𝑚𝑖 , 𝑣𝑗 )
𝑃(𝑚𝑖 /𝑣𝑗 ) =
𝑃(𝑣𝑗 )
Essa expressão mostra que a probabilidade de o mercado estar em alta dado que
o amigo votou a favor é igual a probabilidade de o mercado estar em alta E o amigo votar
a favor dividido pela probabilidade de o amigo votar a favor.
Logo:
𝑃(𝑚𝑖 , 𝑣𝑗 ) = 𝑃(𝑣𝑗 /𝑚𝑖 )𝑃(𝑚𝑖 ), para todo 𝑖 e 𝑗
Em que:
𝑃(𝑚𝑖 , 𝑣𝑗 ) = 𝑃(𝑣𝑗 /𝑚𝑖 )𝑃(𝑚𝑖 ), para todo 𝑖 e 𝑗
326
Para o problema proposto, temos as seguintes informações:
𝑃(𝑣1 /𝑚1 ) = 0,9
𝑃(𝑣2 /𝑚1 ) = 0,1
𝑃(𝑣1 /𝑚2 ) = 0,5
𝑃(𝑣2 /𝑚2 ) = 0,5
Note que cada elemento da tabela corresponde à probabilidade 𝑃(𝑣𝑗 /𝑚𝑖 ), em que
𝑣𝑗 são as colunas e 𝑚𝑖 são as linhas.
Com isso:
𝑃(𝑚1 , 𝑣1 ) = 𝑃(𝑣1 /𝑚1 )𝑃(𝑚1 ) = 0,9 ∙ 0,6 = 0,54
𝑃(𝑚1 , 𝑣2 ) = 𝑃(𝑣2 /𝑚1 )𝑃(𝑚1 ) = 0,1 ∙ 0,6 = 0,06
𝑃(𝑚2 , 𝑣1 ) = 𝑃(𝑣1 /𝑚2 )𝑃(𝑚2 ) = 0,5 ∙ 0,4 = 0,20
𝑃(𝑚2 , 𝑣2 ) = 𝑃(𝑣2 /𝑚2 )𝑃(𝑚2 ) = 0,5 ∙ 0,4 = 0,20
327
As probabilidades absolutas podem ser calculadas como:
Com isso:
Esse mesmo resultado poderia ser obtido somando-se as linhas de cada coluna da
tabela anterior. De toda a forma, a tabela a seguir mostra o resultado para as
probabilidade absolutas:
Com isso:
𝑃(𝑚1 , 𝑣1 ) 0,54
𝑃(𝑚1 /𝑣1 ) = = = 0,730
𝑃(𝑣1 ) 0,74
𝑃(𝑚2 , 𝑣1 ) 0,20
𝑃 (𝑚2 /𝑣1 ) = = = 0,270
𝑃(𝑣1 ) 0,74
𝑃(𝑚1 , 𝑣2 ) 0,06
𝑃 (𝑚1 /𝑣2 ) = = = 0,231
𝑃(𝑣2 ) 0,26
𝑃(𝑚2 , 𝑣2 ) 0,20
𝑃 (𝑚2 /𝑣2 ) = = = 0,769
𝑃 (𝑣2 ) 0,26
328
Esse resultado poderia ser obtido dividindo os elementos da penúltima tabela pelo
elemento da coluna correspondente da última tabela. De toda a forma, a tabela a seguir
mostra o resultado para as probabilidade posteriores:
A questão a ser respondida agora é: Qual é a melhor ação a ser tomada (investir
em A ou B) caso o voto do seu amigo seja a favor? E qual é a melhor ação a ser tomada
(investir em A ou B) caso o voto do seu amigo seja contra?
329
Observando a árvore de decisão, caso o voto seja “a favor”:
Para a ação 𝐴 (nó 4) = 5.000 ∙ 0,730 + (−2.000) ∙ 0,270 = $ 𝟑. 𝟏𝟏𝟎
Para a ação 𝐵 (nó 5) = 1.500 ∙ 0,730 + 500 ∙ 0,270 = $ 1.230
Logo, caso o voto do amigo seja “a favor”, a melhor decisão é investir nas ações de
A.
Logo, caso o voto do amigo seja “contra”, a melhor decisão é investir nas ações de
B.
Essas decisões equivalem a dizer que os retornos esperados (valor máximo) para
os nós de decisão 2 e 3 são, respectivamente, $ 3.110 e $ 731. Com isso, considerando as
probabilidades 𝑃(𝑣1 ) = 0,74 e 𝑃(𝑣2 ) = 0,26 podemos calcular o valor esperado para toda
a árvore de decisão:
𝐸𝑉 = 3.110 ∙ 0,74 + 731 ∙ 0,26 = $ 2.491,46
Esse valor de $ 2.491,46 é o retorno esperado para essa árvore de decisão (nó 1).
Funções de utilidade:
Nas situações anteriores, o critério do valor esperado foi aplicado a situações nas
quais o retorno era em unidades monetárias. Há casos em que a utilidade é utilizada na
análise, no lugar de valores monetários.
330
A determinação da utilidade é subjetiva, pois depende da atitude do tomador de
decisão em relação a aceitar o risco. Aqui será apresentado um procedimento para
quantificar o grau de tolerância do tomador de decisões em relação ao risco. O resultado
final será uma função utilidade que irá substituir o valor monetário.
De modo mais realista, a função utilidade toma outras formas, que refletem a
atitude do tomador de decisões em relação ao risco. A figura a seguir ilustra os casos dos
indivíduos X, Y e Z.
Analisando o gráfico para o indivíduo X, que é avesso ao risco, pode-se notar que
a queda da utilidade bc correspondente a um prejuízo de $ –10.000 (isto é, entre os
valores $ –10.000 e $ 0) é maior do que o aumento ab associado com o ganho de $ 10.000
(isto é, entre os valores $ 0 e $ 10.000).
De forma geral, um mesmo indivíduo pode ter ambas as características, isto é, ser
avesso e propenso ao risco. Nesse caso, a curva de utilidade terá uma forma de um S
alongado (com concavidade para baixo no intervalo de valores monetários em que ele é
avesso ao risco, e com concavidade para cima no intervalo em que ele é propenso ao
risco).
332
AULA 3 – TOMADA DE
DECISÃO SOB INCERTEZA
As tomadas de decisão sob incerteza, assim como na tomada de decisão sob risco,
envolvem escolher entre alternativas que dependem de estados da natureza.
Entretanto, na decisão sob incerteza, as probabilidades associadas a cada um dos
estados da natureza não são mais conhecidas (agora tais estados não são mais
probabilísticos, são apenas aleatórios).
É importante destacar que a diferença entre a decisão sob risco e a decisão sob
incerteza é justamente o fato de não conhecermos (ou não podermos determinar) a
distribuição de probabilidades associada aos estados 𝑠𝑗 , 𝑗 = 1,2,3,...,𝑛.
333
A partir daí, temos os seguintes critérios para a tomada de decisão:
1. Laplace;
2. Minimax (ou Maximin);
3. Savage;
4. Hurwicz.
Critério de Laplace:
334
Para entender o critério de Laplace, considere a seguinte matriz de retorno:
Supondo que ela seja uma matriz de ganho. Os valores esperados para cada
alternativa (ação) são dados por:
2
1
𝐸 {𝑎𝑖 } = ∑ 𝑣(𝑎𝑖 , 𝑠𝑗 )
2
𝑗=1
Assim:
2
1 1 1
𝐸{𝑎1 } = ∑ 𝑣(𝑎1 , 𝑠𝑗 ) = ∙ [𝑣 (𝑎1 , 𝑠1 ) + 𝑣(𝑎1 , 𝑠2 )] = ∙ (11.000 + 90) = 5.545
2 2 2
𝑗=1
2
1 1 1
𝐸{𝑎2 } = ∑ 𝑣(𝑎2 , 𝑠𝑗 ) = ∙ [𝑣 (𝑎2 , 𝑠1 ) + 𝑣(𝑎2 , 𝑠2 )] = ∙ (10.000 + 10.000) = 𝟏𝟎. 𝟎𝟎𝟎
2 2 2
𝑗=1
Note que o valor esperado para cada ação é simplesmente a média dos valores de
cada linha.
Como o maior valor esperado é o de 𝑎2 (ocorre para a ação 2), então optaremos
pela alternativa (ação) 2. Caso a nossa matriz de retorno fosse de perda, optaríamos pela
alternativa que trouxesse o menor retorno esperado (nesse caso, escolheríamos a
alternativa 𝑎1 ).
Suponha que ela seja uma matriz de retorno de ganho. Então devemos utilizar o
critério maximin. Nesse caso, devemos considerar o pior caso para cada alternativa (o
valor mínimo de cada linha): para a linha 1 é o $ 90 e para linha 2 é o $ 10.000. E depois
escolhemos o maior dentre esses dois valores (o máximo entre esses dois valores, que é
o melhor dentre a pior situação possível), ou seja, o $ 10.000, que corresponde à
alternativa 2. Logo, nesse caso, a melhor alternativa é a ação 2 (𝑎2 ).
Considere agora que a matriz de retorno seja de perda. Então devemos utilizar o
critério minimax. Nesse caso, devemos considerar o pior caso para cada alternativa (o
maior valor de cada linha): para a linha 1 é o $ 11.000 e para a linha 2 é o $ 10.000. E
depois escolhemos o menor dentre esses dois valores (o mínimo entre esses dois valores,
que é o melhor dentre a pior situação possível), ou seja, o $ 10.000, que corresponde à
alternativa 2. Logo, nesse caso, a melhor alternativa é a ação 2 (𝑎2 ).
336
Critério de arrependimento de Savage:
Essa equação demonstra que: se a matriz for de “perda”, então temos que subtrair
cada elemento 𝑣(𝑎𝑖 , 𝑠𝑗 ) do menor valor da sua respectiva coluna; e se a matriz for de
“ganho”, então temos que subtrair o maior valor de cada coluna pelos seus respectivos
elementos 𝑣(𝑎𝑖 , 𝑠𝑗 ).
Supondo que ela seja uma matriz de ganho, então devemos utilizar a fórmula:
337
Logo, nesse caso, a melhor alternativa é a ação 2 (𝑎2 ), pois é a ação que irá gerar
o menor “arrependimento”. Por exemplo, se escolhermos a ação 1 e ocorrer o estado da
natureza 2, estamos “perdendo” (isto é, deixando de ganhar 10.000 – 90 = 9.910), que é
o quanto ganharíamos a mais caso optássemos pela ação 2. Por outro lado, se
escolhermos a ação 2 e ocorrer o estado da natureza 1, estamos “perdendo” (isto é,
deixando de ganhar 11.000 – 10.000 = 1.000), que é o quanto ganharíamos a mais caso
optássemos pela ação 1. Como a alternativa que gera a menor “perda” (menor
arrependimento) é a ação 2, ela foi escolhida.
Suponha agora que ela seja uma matriz de perda, então devemos utilizar a
fórmula:
Logo, nesse caso, a melhor alternativa é a ação 1 (𝑎1 ), pois é a ação que irá gerar
o menor “arrependimento”. Por exemplo, se escolhermos a ação 1 e ocorrer o estado da
natureza 1, estamos “perdendo” (isto é, pagando a mais 11.000 – 10.000 = 1.000), que é
o quanto perderíamos a mais comparado com a ação 2. Por outro lado, se escolhermos a
ação 2 e ocorrer o estado da natureza 2, estamos “perdendo” (isto é, pagando a mais
10.000 – 90 = 9.910), que é o quanto perderíamos a mais comparado com a ação 1. Como
a alternativa que gera a menor “perda” (menor arrependimento) é a ação 1, ela foi
escolhida.
338
Observe que nesse exemplo as ações escolhidas foram as mesmas do critério de
Laplace (pois o tomador de decisão deixou de ser muito “pessimista”, passando a ser
mais “moderado”). Note ainda que a matriz de arrependimento mostra justamente o
“arrependimento” sobre as nossas escolhas. Para o caso de a matriz de retorno de perda:
339
Critério de Hurwicz:
Além disso, se 𝑣(𝑎𝑖 , 𝑠𝑗 ) representar prejuízo (perda), a ação selecionada será dada
por:
340
Agora, supondo 𝛼 = 0,5 (tomador de decisão nem otimista e nem pessimista), a
equação para o ganho se torna:
E para a perda:
341
Solução:
342
É importante observar que, quanto mais próximo 𝛼 estiver de 1 (quanto mais
“otimista”), maior é o peso da melhor condição (isto é, do melhor estado da natureza, que
consiste no maior valor para o ganho, ou o menor valor para a perda); e menor é o peso
da pior condição (isto é, do pior estado da natureza, que consiste no menor valor para o
ganho, ou o maior valor para a perda).
Por outro lado, quanto mais próximo 𝛼 estiver de 0 (quanto mais “pessimista”),
maior é o peso da pior condição (isto é, do pior estado da natureza, que consiste no menor
valor para o ganho, ou o maior valor para a perda) e menor é o peso da melhor condição
(isto é, do melhor estado da natureza, que consiste no maior valor para o ganho, ou o
menor valor para a perda).
343
AULA 4 – TEORIA DOS
JOGOS
Para resolver esse tipo de problema de tomada de decisão existe a Teoria dos
Jogos. A Teoria dos Jogos é usada para solucionar problemas nos quais o retorno que
receberemos da nossa escolha for influenciado pela escolha do nosso concorrente.
344
De forma geral, a nossa vida é repleta de conflitos e competições (por exemplo,
adversários em jogos de mesa, em batalhas militares, em campanhas políticas, em
campanhas publicitárias realizadas por empresas concorrentes etc.). É importante
observar que o resultado final (o retorno para cada “jogador”) depende basicamente da
combinação de estratégias (escolhas, ações) selecionadas por cada jogador.
Nesse aspecto, a Teoria dos Jogos é uma teoria matemática que visa solucionar
problemas envolvendo situações competitivas, dando ênfase ao processo de tomada de
decisão dos adversários (oponentes). Logo, a Teoria dos Jogos é um campo fundamental
da Pesquisa Operacional com o objetivo de analisar as escolhas (ações, estratégias)
dentro de um cenário envolvendo mais de um participante (jogador), de modo que as
chances de ganhos de um ou mais jogadores sejam as melhores possíveis.
Por conta disso, ela é utilizada quando existe uma disputa por objetivos definidos,
sendo aplicadas em situações estratégicas envolvendo ganhos ou perdas. Assim, para
utilizar da Teoria dos Jogos, é preciso ter bastante conhecimento sobre os mecanismos
envolvidos (isto é, sobre as possibilidades reais de ganho, as regras do processo e as
possibilidades dos oponentes), além de conhecer as estratégias que podem ser adotadas
pelos adversários.
É importante observar que para que alguém ganhe, nem sempre os demais devem
perder. Muitas vezes, as melhores decisões podem ser tomadas com o objetivo de fazer
com que todos (ou a maior parte dos participantes) obtenham algum ganho. Tendo em
vista que nem sempre existe apenas uma única solução ótima (pois o cenário é de
disputa), o intuito é analisar as possibilidades e todas as consequências (retorno) de cada
uma das decisões (ações) que podem ser tomadas (tanto por nós quanto pelos demais
jogadores).
Deve-se ressaltar que a Teoria dos Jogos contrasta com a Análise de Decisão, uma
vez que na Análise de Decisão o tomador de decisão está participando de um jogo contra
um “oponente passivo” (estado da natureza), que escolhe suas estratégias de forma
aleatória.
345
A partir de agora, no lugar de pensarmos nos estados da natureza (e montarmos
uma matriz de retorno), iremos pensar no retorno como dependente das ações dos outros
jogadores (o retorno passa a depender das ações dos outros jogadores, não mais dos
estados da natureza). Dessa forma, existem duas modalidades sobre as escolhas:
Visto que a estratégia dominante é a mais comum de ser adotada pelos jogadores,
ela é chamada de solução de equilíbrio ou equilíbrio do jogo (consiste na melhor solução
individual, ou seja, cada jogador escolherá a melhor decisão para ele). Na situação de
equilíbrio, todos os jogadores escolherão a sua estratégia dominante.
346
Agora temos a seguinte questão: Como cada suspeito irá reagir ao acordo (os dois
confessarão, ficarão em silêncio ou apenas um irá confessar, fazendo com que o outro
cumpra a pena sozinho)? E esse é o dilema do problema: confessar ou não confessar.
347
Logo, em todos os casos, confessar é a melhor opção (tanto para A quanto para B,
seguindo o mesmo raciocínio). Podemos dizer então que “confessar” é a estratégia
dominante, pois traz o melhor resultado individual independente da escolha do outro
jogador (suspeito). Nesse caso, tanto o suspeito A quanto o B não precisarão se preocupar
com a decisão um do outro (por ser a estratégia dominante, ela independe da escolha do
outro jogador).
Observe que, apesar de a solução de equilíbrio ser a melhor solução racional (pois
é a melhor solução individual, isto é, é a melhor solução independente da escolha do
outro jogador), ela não é a melhor solução possível para ambos os suspeitos (não é a
melhor solução para o grupo).
348
Um importante matemático para a Teoria dos Jogos chamado John Nash dizia
que o melhor resultado ocorre quando todos escolhem o que é melhor para si e para o
grupo. Nash ganhou o prêmio Nobel de economia em 1994 devido ao desenvolvimento
do conceito de equilíbrio para jogos não cooperativos (em que os jogadores não podem
fazer acordos entre si), conhecido como Equilíbrio de Nash.
Da tabela (matriz de resultados) temos que (𝑎𝑖 , 𝑏𝑗 ) é o retorno para A (𝑎𝑖 ) e para
B (𝑏𝑗 ) dado que A escolheu a ação 𝑖 (investir ou não investir) e B escolheu a ação 𝑗
(investir ou não investir).
349
A partir da matriz de resultados, a empresa A deve analisar as possíveis ações de
B (investir ou não investir): se B investir e A também investir, A terá 10 milhões de
lucro, agora se B investir e A não investir, então A terá 6 milhões de lucro (nesse caso,
investir é a melhor opção para A); agora se B não investir e A investir, A terá 19 milhões
de lucro, e se B não investir e A também não investir, então A terá 14 milhões de lucro
(nesse caso, a melhor opção para A também é investir). Logo, a estratégia dominante
para a empresa A é investir.
Como o próprio nome indica, esse tipo de jogo envolve apenas dois adversários
(jogadores), que podem ser equipes, exércitos, empresas e etc. Ele é chamado de “soma
zero”, pois a soma entre o que um jogador perdeu e o outro ganhou é igual a zero. Com
isso podemos definir o jogo em termos de retorno (em uma matriz de retorno) para um
dos jogadores.
350
Considere que o jogador A tenha 𝑚 estratégias e o jogador B tenha 𝑛 estratégias,
assim a matriz de retorno (ou tabela de prêmios) para o jogador A pode ser representada
como:
Além disso, como o jogo é de soma zero, o retorno para B será de –𝑎21 . Ou seja, o
retorno para B, presente na matriz de retorno de B, será dado por –𝑎𝑖𝑗 , construída a
partir dos valores de 𝑎𝑖𝑗 da matriz de retorno para A. Em seguida, as linhas devem ser
trocadas pelas colunas (matriz transposta) de forma que os elementos da matriz de
retorno para B sejam os elementos 𝑎𝑗𝑖 de A.
É importante observar que a base dos jogos é o conflito de interesses, por isso a
solução ótima pode selecionar uma ou mais estratégias para cada jogador, de forma que
qualquer alteração sobre as estratégias escolhidas não beneficie o retorno para qualquer
um dos jogadores (essas soluções podem estar na forma de uma única estratégia ou de
várias estratégias).
351
A matriz de retorno a seguir demonstra a porcentagem de mercado capturada ou
perdida pela empresa A:
352
Agora vamos considerar a estratégia da empresa B. Como a matriz de retorno
dada é para a empresa A, quanto menor for o valor da matriz de retorno, maior é a perda
de A (e portanto maior é o ganho de B). Isso significa que o melhor do pior para B requer
pegar o menor (mínimo) dentre os maiores valores, ou seja, utilizaremos o “critério
minimax”.
353
Observe que a posição da entrada (ou o ponto) obtida para A com o critério
maximin (A2, B2) foi a mesma obtida para B com o critério minimax (A2, B2). Nesse caso,
dizemos que A e B estão usando uma solução de ponto de sela. O ponto de sela mostra
que nenhum jogador pode tirar proveito da estratégia do outro jogador para melhorar a
sua decisão (a solução de ponto de sela exclui a possibilidade de qualquer empresa obter
uma melhor estratégia).
Logo, qualquer outra solução (fora do ponto de sela) só iria piorar a situação para
os jogadores (por isso nenhum dos jogadores tem motivos para considerar uma mudança
de estratégia, seja para tirar proveito do oponente, seja para impedir que o oponente
tire proveito dele). Consequentemente, o ponto de sela se trata de uma solução estável
ou solução de equilíbrio.
Quando não existe um ponto de sela (uma solução estável) qualquer jogador
poderá tentar uma nova estratégia visando melhorar o seu ganho (lembrando que, no
ponto de sela, não existe mudança possível por parte dos jogadores para obter um melhor
resultado). Nesse caso, dizemos que o jogo possui estratégia mista, ou seja, não existe
“uma única estratégia” (ponto de sela) que é a melhor solução possível para ambos os
jogadores (solução estável).
354
Por conta disso, nesse caso, no lugar de aplicar um critério conhecido (maximin e
o minimax buscando um ponto de sela) para determinar uma única estratégia que será
efetivamente utilizada, é necessário escolher entre estratégias alternativas aceitáveis
algum tipo de aleatoriedade. Dessa forma, nenhum jogador será capaz de saber
antecipadamente qual de suas estratégias será adotada, e muito menos as do seu
oponente.
A presente seção trata desse tipo de metodologia para a solução de jogos que não
possuem ponto de sela (solução de jogos de estratégia mista). Com isso será possível
encontrar a solução ótima (maneira ótima) de disputar tais jogos. Essa solução ótima é
“mista”, ou seja, existe mais de uma ação que pode ser tomada e uma probabilidade
associada a cada uma delas. Dessa forma, pode-se utilizar um dispositivo aleatório que,
considerando essa distribuição de probabilidades, indica qual estratégia pura em
particular deve ser adotada.
A solução gráfica é adequada para jogos nos quais no mínimo um jogador tenha
exatamente duas estratégias puras.
Por outro lado, a programação linear é mais abrangente, uma vez que pode ser
utilizada para resolver qualquer jogo de soma zero com duas pessoas.
Assim, toda vez que um jogo não tiver ponto de sela, a teoria dos jogos recomenda
que cada jogador atribua uma distribuição probabilística ao seu conjunto de estratégias
(“estratégia mista”). Matematicamente, considere que:
𝑥𝑖 = probabilidade de o jogador 𝐀 usar a estratégia 𝑖, 𝑖 = 1,2, … , 𝑚
𝑦𝑗 = probabilidade de o jogador 𝐁 usar a estratégia 𝑗, 𝑗 = 1,2, … , 𝑛
355
Esses planos (𝑥1 , 𝑥2 , … , 𝑥𝑚 ) e (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) são normalmente conhecidos como
estratégias mistas, e as estratégias originais são chamadas de estratégias puras. Em
outras palavras, as estratégias mistas são aqueles que o jogador “pode” escolher
(consideramos uma probabilidade associada a elas), enquanto a estratégia pura é a
estratégia que consideramos que “de fato” o jogador escolheu.
Vamos começar pelo caso de (2 × 𝑛) jogos, nos quais o jogador A tem duas
estratégias.
Observe que, para cada valor de 𝑗 (para cada estratégia pura do jogador B) existe
um retorno esperado para o jogador A. Lembrando que o critério utilizado para A é o
maximin, que significa escolher o “maior dentre os menores valores”. Assim, o jogador
A deve determinar o valor de 𝑥1 que irá “maximizar os retornos mínimos esperados”.
Matematicamente:
356
Para entender essas fórmulas, considere o seguinte exemplo:
O jogo não tem nenhuma estratégia pura de solução (isto é, não possui ponto de
sela).
357
Pelo método gráfico, precisamos esboçar cada uma dessas 4 retas, como mostrado
a seguir:
Note, por exemplo, que se 𝑥1 = 0,25 o menor retorno para A ocorre quando B
escolhe a estratégia 𝐵3 (por isso a região está delimitada por 𝐵3 nesse intervalo de 𝑥1 ).
Nesse caso, o retorno esperado de A seria 𝑥1 + 2 = 0,25 + 2 = 2,25. Esse valor representa
o menor retorno esperado (retorno mínimo de A), ou seja, se B escolher qualquer outra
estratégia, o retorno de A será maior.
Quando olhamos para esses menores retornos, observamos que existe um ponto
de máximo (que maximiza esses retornos mínimos). Esse ponto de máximo ocorre para
𝑥1 = 0,5. Esse melhor valor (máximo) corresponde à solução maximin para A (ou seja, é
a melhor solução para A independente da estratégia escolhida por B).
358
Assim, temos que:
𝑥1 = 0,5
1 − 𝑥1 = 1 − 0,5 = 0,5
Ou:
𝑣 = −7𝑥1 + 6 = −7 ∙ 0,5 + 6 = −3,5 + 6 = 2,5
Portanto, o retorno (ou prêmio) ótimo para o jogador A é 2,5 obtido ao misturar
𝐴1 e 𝐴2 com probabilidades de 0,5 e 0,5.
359
A tabela a seguir resume esses resultados para os retornos esperados de B:
Agora é preciso esboçar essas duas retas e demarcar a área de região acima dessas
retas (retornos máximos). A solução melhor do pior para B (menor dos maiores) é o ponto
mínimo dessa região delimitada pelas duas retas.
Resolvendo:
4𝑦3 + 4𝑦3 = 6 + 1
8𝑦3 = 7
7
𝑦3 =
8
E portanto:
7 1
𝑦4 = 1 − 𝑦3 = 1 − =
8 8
Logo, a solução ótima do jogador B recomenda misturar 𝐵3 e 𝐵4 com
probabilidades de 7/8 e 1/8, respectivamente.
360
Portanto, o retorno (ou prêmio) ótimo para o jogador B é também 2,5 obtido ao
misturar 𝐵3 e 𝐵4 com probabilidades de 7/8 e 1/8.
É importante ressaltar que esse jogo possui outras duas soluções alternativas.
Observe que o ponto de máximo do gráfico anterior é determinado por 3 retas diferentes
(e não duas). Assim, no lugar de considerar a interseção entre 𝐵3 e 𝐵4 , poderíamos ter
considerado a interseção entre 𝐵2 e 𝐵3 (o que resultaria em uma nova solução) ou a
interseção entre 𝐵2 e 𝐵4 (que também resultaria em outra solução).Qualquer combinação
não negativa dessas soluções alternativas também será uma solução ótima (legítima).
Deve-se destacar ainda que os jogos nos quais o jogador A tem 𝑚 estratégias e o
jogador B tem somente 2 estratégias (𝑚 × 2) podem ser tratados de forma semelhante.
A principal diferença é que representaremos em gráfico o retorno esperado para B,
correspondentes às estratégias puras de A (o contrário do que fizemos nesse último
exemplo).
Além disso, como resultado, estaremos procurando o ponto minimax (ao invés do
ponto maximin), que corresponde ao ponto que minimiza os maiores valores (ou seja, o
ponto mínimo da região delimitada pelas retas de “maior valor”, ou “mais acima”).
A teoria dos jogos apresenta uma forte relação com a programação linear, no
sentido de que um jogo de soma zero com duas pessoas pode ser expresso como um
problema de programação linear e vice-versa.
361
As probabilidades ótimas do jogador A 𝑥1 , 𝑥2 , … , 𝑥𝑚 podem ser determinadas com
a resolução do seguinte problema maximin:
𝑚 𝑚 𝑚
Em que:
𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑚 = 1
𝑥𝑖 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
Note ainda que a soma das probabilidades 𝑥𝑖 devem ser igual a 1. E que 𝑥𝑖 , por
representarem probabilidades, devem ser não negativas.
Dessa expressão, conclui-se que 𝑣 não pode ser maior do que qualquer um desses
somatórios. Em outras palavras, 𝑣 deve ser menor ou igual a qualquer um desses
somatórios. Matematicamente, isso significa que:
𝑚
𝑣 ≤ ∑ 𝑎𝑖𝑗 𝑥𝑖 , 𝑗 = 1,2,3, … , 𝑛
𝑖=1
Ou seja, para qualquer que seja a escolha do jogador B (para qualquer 𝑗), o valor
de 𝑣 (valor mínimo) deve ser menor ou igual ao resultado do somatório.
max{𝑣 }
𝑥𝑖
362
Assim, o “objetivo” ou “função objetivo” deve ser maximizar 𝑣:
Max 𝑧 = 𝑣
𝑣 ≤ ∑ 𝑎𝑖𝑗 𝑥𝑖 , 𝑗 = 1,2,3, … , 𝑛
𝑖=1
Tem-se que:
𝑚
𝑣 − ∑ 𝑎𝑖𝑗 𝑥𝑖 ≤ 0 , 𝑗 = 1,2,3, … , 𝑛
𝑖=1
Sujeito às restrições:
𝑚
𝑣 − ∑ 𝑎𝑖𝑗 𝑥𝑖 ≤ 0 , 𝑗 = 1,2,3, … , 𝑛
𝑖=1
𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑚 = 1
𝑥𝑖 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
𝑣 irrestrito em sinal
Em que:
𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛 = 1
𝑦𝑗 ≥ 0 , 𝑗 = 1,2,3, … , 𝑛
363
Logo, 𝑣 deve ser maior ou igual a qualquer um desses somatórios.
Matematicamente, isso significa que:
𝑛
𝑣 ≥ ∑ 𝑎𝑖𝑗 𝑦𝑗 , 𝑖 = 1,2,3, … , 𝑚
𝑗=1
min{𝑣 }
𝑦𝑗
𝑣 ≥ ∑ 𝑎𝑖𝑗 𝑦𝑗 , 𝑖 = 1,2,3, … , 𝑚
𝑗=1
Tem-se que:
𝑛
𝑣 − ∑ 𝑎𝑖𝑗 𝑦𝑗 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
𝑗=1
Sujeito às restrições:
𝑛
𝑣 − ∑ 𝑎𝑖𝑗 𝑦𝑗 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
𝑗=1
𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛 = 1
𝑦𝑗 ≥ 0 , 𝑗 = 1,2,3, … , 𝑛
𝑣 irrestrito em sinal
Solução:
Observe que a solução pelo critério maximin (“melhor” solução para o jogador A)
foi –2 (que é o elemento 𝑎21 ) e que a solução pelo critério minimax (“melhor” solução
para o jogador B) foi 2 (que é o elemento 𝑎33 ). Como essas soluções são diferentes (isto
é, a solução não consiste em um ponto de sela), esse problema não possui solução estável.
Além disso, é certo dizer que o valor do jogo (prêmio) 𝑣 se encontra no intervalo
entre –2 e 2.
365
Para construir o problema de programação linear do jogado A é preciso partir das
seguintes expressões:
Max 𝑧 = 𝑣
Sujeito às restrições:
𝑚
𝑣 − ∑ 𝑎𝑖𝑗 𝑥𝑖 ≤ 0 , 𝑗 = 1,2,3, … , 𝑛
𝑖=1
𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑚 = 1
𝑥𝑖 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
𝑣 irrestrito em sinal
Sujeito às restrições:
3
𝑣 − ∑ 𝑎𝑖𝑗 𝑥𝑖 ≤ 0 , 𝑗 = 1,2,3
𝑖=1
𝑥1 + 𝑥2 + 𝑥3 = 1
𝑥𝑖 ≥ 0 , 𝑖 = 1,2,3
𝑣 irrestrito em sinal
Note que os coeficientes 𝑎𝑖𝑗 do somatório são os elementos da tabela das colunas
𝑗 = 1, 𝑗 = 2 e 𝑗 = 3.
𝑣 − ∑ 𝑎𝑖𝑗 𝑥𝑖 ≤ 0 , 𝑗 = 1,2,3
𝑖=1
Para 𝑗 = 1:
3
𝑣 − ∑ 𝑎𝑖1 𝑥𝑖 ≤ 0
𝑖=1
366
Para 𝑗 = 2:
3
𝑣 − ∑ 𝑎𝑖2 𝑥𝑖 ≤ 0
𝑖=1
Para 𝑗 = 3:
3
𝑣 − ∑ 𝑎𝑖3 𝑥𝑖 ≤ 0
𝑖=1
Sujeito às restrições:
𝑣 − 3𝑥1 + 2𝑥2 + 5𝑥3 ≤ 0
𝑣 + 𝑥1 − 4𝑥2 + 6𝑥3 ≤ 0
𝑣 + 3𝑥1 + 𝑥2 − 2𝑥3 ≤ 0
𝑥1 + 𝑥2 + 𝑥3 = 1
𝑥𝑖 ≥ 0 , 𝑖 = 1,2,3
𝑣 irrestrito em sinal
367
De forma análoga, para o jogador B temos que:
Min 𝑤 = 𝑣
Sujeito às restrições:
𝑛
𝑣 − ∑ 𝑎𝑖𝑗 𝑦𝑗 ≥ 0 , 𝑖 = 1,2,3, … , 𝑚
𝑗=1
𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛 = 1
𝑦𝑗 ≥ 0 , 𝑗 = 1,2,3, … , 𝑛
𝑣 irrestrito em sinal
Sujeito às restrições:
3
𝑣 − ∑ 𝑎𝑖𝑗 𝑦𝑗 ≥ 0 , 𝑖 = 1,2,3
𝑗=1
𝑦1 + 𝑦2 + 𝑦3 = 1
𝑦𝑗 ≥ 0 , 𝑗 = 1,2,3
𝑣 irrestrito em sinal
Note que os coeficientes 𝑎𝑖𝑗 do somatório são os elementos da tabela de cada uma
das linhas (𝑖 = 1, 𝑖 = 2 e 𝑖 = 3).
𝑣 − ∑ 𝑎𝑖𝑗 𝑦𝑗 ≥ 0 , 𝑖 = 1,2,3
𝑗=1
Para 𝑖 = 1:
3
𝑣 − ∑ 𝑎1𝑗 𝑦𝑗 ≥ 0
𝑗=1
368
Para 𝑖 = 2:
3
𝑣 − ∑ 𝑎2𝑗 𝑦𝑗 ≥ 0
𝑗=1
Para 𝑖 = 3:
3
𝑣 − ∑ 𝑎3𝑗 𝑦𝑗 ≥ 0
𝑗=1
Sujeito às restrições:
𝑣 − 3𝑦1 + 𝑦2 + 3𝑦3 ≥ 0
𝑣 + 2𝑦1 − 4𝑦2 + 𝑦3 ≥ 0
𝑣 + 5𝑦1 + 6𝑦2 − 2𝑦3 ≥ 0
𝑦1 + 𝑦2 + 𝑦3 = 1
𝑦𝑗 ≥ 0 , 𝑗 = 1,2,3
𝑣 irrestrito em sinal
369
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 6
(1) Questão de Prova Antiga
Nesse caso, qual dos três candidatos deve ser escolhido e qual é o seu respectivo peso
composto?
370
(2) CESGRANRIO - 2018 - Petrobras - Engenheiro de Produção Júnior
Uma empresa pretende realizar investimentos em um novo mercado. Para isso, estudou
a região e elaborou a seguinte Tabela, apontando o retorno, em milhares de reais, que
obteria de acordo com o vulto do investimento (pequeno, médio ou grande) e com as
condições do mercado (boas, normais ou ruins):
371
(3) CCV-UFC - 2018 - Economista
A. Devemos ficar com a alternativa A1, pois A2 apresenta um VPL esperado negativo.
B. Devemos ficar com a alternativa A1, pois ela apresenta um VPL esperado de 40/3.
C. Devemos ficar com a alternativa A1, pois A2 apresenta um VPL esperado de 30/3.
D. Devemos ficar com a alternativa A1, pois ela apresenta um VPL esperado de 16.
372
(4) FGV - 2019 - DPE-RJ - Administrador de Empresas
Por esse critério, a melhor decisão a tomar e o valor esperado dela são, respectivamente:
A. construir; valor esperado de 1,8 milhão;
373
(5) CESGRANRIO - 2018 - Transpetro - Engenheiro de Produção Júnior
A empresa de operação logística W, diante da necessidade de aumentar o nível de serviço
ao cliente, precisa deliberar sobre duas soluções projetadas por sua equipe técnica, a
saber: automatizar a montagem de pedidos, com valor de implantação de
R$10.000.000,00, ou reajustar os contratos com transportadoras, com valor de
R$5.000.000,00. Quando implementadas, ambas as soluções podem gerar ganhos
elevados ou pequenos com o aumento de nível de serviço.
Para tomar essa decisão, a cúpula executiva da empresa optou por aplicar a análise de
Valor Monetário Esperado (Expected Monetary Value - EMV), um método para análise
quantitativa de risco. Os fatores a serem considerados nesse processo decisório são
representados na árvore de decisão que segue:
Uma pessoa prefere ganhar R$ 100,00 com probabilidade de 100%, um evento certo, em
vez de participar de um sorteio com probabilidade x de ganhar R$ 200,00 e (1 – x) de
nada ganhar.
A. 55%
B. 45%
C. 35%
D. 25%
E. 15%
375
(8) CESPE - 2017 - TRE-BA -– Contabilidade
Na análise financeira para a tomada de decisão, a relação risco versus retorno é tema
central de avaliação, uma vez que os riscos assumidos em determinada posição
pressupõem estimativas de retorno almejado condizentes com a proporção do risco. Em
momentos de incerteza, as volatilidades aumentam, principalmente em função das
dificuldades envolvendo a previsão de cenários. Nesse contexto, e considerando a
diferença entre risco e incerteza sob a perspectiva da teoria de finanças, assinale a opção
correta.
376
(9) CETRO - 2006 - TCM-SP – Administrador
A leitura das estratégias (E) é feita em sentido horizontal e a leitura das contra-
estratégias ou estados da natureza (N) é feita em sentido vertical.
377
(10) CETRO - 2006 - TCM-SP – Administrador [Adaptada]
A leitura das estratégias (E) é feita em sentido horizontal e a leitura das contra-
estratégias ou estados da natureza (N) é feita em sentido vertical.
A. 13, E1.
B. 13, E2.
C. 17, E2.
D. 20, E3.
E. 23, E3.
378
(11) CESGRANRIO - 2012 - Petrobras – Engenheiro de Produção Júnior
Existem três classes de modelos decisórios em relação à natureza: decisões com certeza,
decisões com risco e decisões com incerteza.
Para decisões com incerteza, o método mais conservador de tomar decisões, que avalia
cada decisão pelo mínimo retorno possível associado a ela, é o critério
A. maximin
B. maximax
C. de arrependimento minimax
D. de Laplace
E. de Fourier
379
(12) Questão de Prova Antiga
Para a próxima estação de plantio, um fazendeiro pode plantar milho (a1), trigo (a2), ou
soja (a3), ou utilizar a terra para pasto (a4). Os retornos associados com as diferentes
ações são influenciados pela quantidade de chuva: grande precipitação pluvial ( s1),
precipitação pluvial moderada (s2), leve precipitação pluvial (s3) ou estação seca (s4). A
matriz de retorno (em milhares de reais) é mostrada na matriz a seguir:
A. O valor calculado através do critério maximin é -20. A ação a ser escolhida deve ser
plantar milho (ação 1).
B. O valor calculado através do critério maximin é 0. A ação a ser escolhida deve ser
plantar trigo (ação 2).
C. O valor calculado através do critério maximin é -50. A ação a ser escolhida deve ser
plantar soja (ação 3).
D. O valor calculado através do critério maximin é 10. A ação a ser escolhida deve ser
utilizar a terra para pasto (ação 4).
E. TODAS as alternativas anteriores estão INCORRETAS.
380
(13) Questão de Prova Antiga
Para a próxima estação de plantio, um fazendeiro pode plantar milho ( a1), trigo (a2), ou
soja (a3), ou utilizar a terra para pasto (a4). Os retornos associados com as diferentes
ações são influenciados pela quantidade de chuva: grande precipitação pluvial (s1),
precipitação pluvial moderada (s2), leve precipitação pluvial (s3) ou estação seca (s4). A
matriz de retorno (em milhares de reais) é mostrada na matriz a seguir:
A. O valor calculado através do critério de Savage é 40. A ação a ser escolhida deve ser
plantar milho (ação 1).
B. O valor calculado através do critério de Savage é 15. A ação a ser escolhida deve ser
plantar milho (ação 1).
C. O valor calculado através do critério de Savage é 50. A ação a ser escolhida deve ser
plantar trigo (ação 2).
D. O valor calculado através do critério de Savage é 0. A ação a ser escolhida deve ser
plantar soja (ação 3).
E. O valor calculado através do critério de Savage é 40. A ação a ser escolhida deve ser
utilizar a terra para pasto (ação 4).
381
(14) Questão de Prova Antiga
Para a próxima estação de plantio, um fazendeiro pode plantar milho ( a1), trigo (a2), ou
soja (a3), ou utilizar a terra para pasto (a4). Os retornos associados com as diferentes
ações são influenciados pela quantidade de chuva: grande precipitação pluvial ( s1),
precipitação pluvial moderada (s2), leve precipitação pluvial (s3) ou estação seca (s4). A
matriz de retorno (em milhares de reais) é mostrada na matriz a seguir:
Determine o valor calculado através do critério de Hurwicz e a ação que deve ser
escolhida com 𝛼 = 0,25.
383
(17) FCC - 2011 - TCE-PR - Analista de Controle
384
(18) CESGRANRIO - 2008 - BNDES - Economista
385
(19) CESGRANRIO - 2011 - Transpetro - Economista Júnior
A matriz abaixo representa um jogo de decisões simultâneas entre duas pessoas, I e II.
Em cada célula da matriz aparece, à esquerda, o retorno de I e, à direita, o de II. As
estratégias de I e de II são, respectivamente,
A. x > 1 e y > 4
B. x > 1 e y > 3
C. x > 1 ou y > 4
D. x > 3 ou y > 1
E. x > 3 e y > 3
386
(20) FCM - 2016 - IF Farroupilha - RS - Docente em Pesquisa Operacional/Finanças
Assumindo que ambas as empresas querem obter a maior fatia no mercado, ou seja,
enquanto a Empresa A almeja aumentar sua fatia no mercado, a empresa B deseja que
a fatia do mercado da Empresa A seja reduzida. Supondo que as duas empresas tomem
decisões racionais, a estratégia ótima é:
GABARITO
(1) A (2) C (3) D (4) A (5) E (6) C (7) A (8) D (9) B (10) D (11) A (12) D
(13) C (14) 12,5 e ação 2 (15) A (16) C (17) A (18) A (19) E (20) A
387
CAPÍTULO 7 – OTIMIZAÇÃO EM REDES
Comentários do professor
Caros alunos, este capítulo final do curso de Pesquisa Operacional descreve os
principais problemas de otimização em redes, apresentando os seus principais métodos
e algoritmos. Em um primeiro momento, aprenderemos sobre os conceitos fundamentais
da Teoria das Redes, também conhecida como Teoria dos Grafos, que permitirá entender
e solucionar cada um dos problemas desenvolvidos ao longo do capítulo. Em seguida,
estudaremos os diversos algoritmos para a obtenção da solução de diferentes tipos de
problemas, incluindo a árvore geradora mínima, o caminho mínimo, o fluxo máximo e o
caminho crítico, alguns dos quais demonstraremos ainda a formulação via Programação
Linear.
388
AULA 1 – PROBLEMAS DE
OTIMIZAÇÃO EM REDES
389
É importante destacar que a otimização em redes considera o problema
(formulação e solução do problema) como sendo de programação linear (estudado nos
capítulos 1 e 2). Com isso, algumas fórmulas dependem da imposição de restrições que
só podem ser consideradas se o problema for tratado como sendo de programação linear
(a otimização em redes é um tipo especial de problema de programação linear).
Este capítulo irá tratar sobre as quatro situações de Pesquisa Operacional que
podem ser modeladas e resolvidas como redes:
390
Uma rede (ou grafo) consiste de um conjunto de nós (ou vértices) conectados por
arcos (ou ramos). A rede pode ser entendida também como um conjunto de pontos e retas
(cada reta conecta um par de pontos). Um exemplo de rede é mostrado a seguir:
Considere que a rede seja definida por (N, A), em que N representa os nós e A
representa os arcos. Assim, essa rede é descrita como:
N = {1, 2, 3, 4, 5}
A = {(1,2), (1,3), (2,3), (2,5), (3,4), (3,5), (4,2), (4,5)}
Note que a rede possui um total de 5 nós (representados pelos círculos numerados)
e um total de 8 arcos (representados pelas retas ligando um par de nós). Por exemplo, o
arco (2,3) é a reta ligando o nó 2 ao nó 3.
É importante destacar que existe um fluxo associado a cada rede (por exemplo, o
fluxo de automóveis em rodovias). De forma geral, o fluxo em uma rede é limitado pela
capacidade de seus arcos (o arco de menor capacidade irá determinar o fluxo total da
rede, isto é, será o “gargalo” da rede), e que essa capacidade pode ser tanto finita quanto
infinita.
Assim, cada rede possui três elementos principais: os nós, os arcos e o fluxo.
Alguns exemplos são apresentados a seguir:
391
Os arcos podem ser classificados como arco orientado (ou dirigido ou direcionado)
ou não-orientado. Um arco é orientado se ele permitir fluxo em apenas uma direção (ou
seja, o fluxo é positivo em uma direção e o fluxo é igual a zero na direção oposta). Nesse
caso, ele será representado com uma seta apontando para o sentido do fluxo.
Observe o arco (2,5) da rede anterior: existe uma seta apontando na direção do nó
5. Logo, esse arco é orientado (direcionado) e a direção do fluxo é do nó 2 para o nó 5 (ou
seja, o fluxo do nó 2 para o 5 é positivo, enquanto que o fluxo do nó 5 para o nó 2 é igual
a 0 – portanto não existe fluxo do nó 5 para o nó 2, apenas do nó 2 para o nó 5). Sobre a
notação dos arcos orientados, o nó de partida (por exemplo, o nó 2) é dado antes do nó
de destino (por exemplo, o nó 5). Ou seja, o arco (2,5) por ser orientado pode ser
identificado por 25 (e nunca por 52), ou então por 2->5.
Por outro lado, se o fluxo for permitido em ambas as direções, então o arco é não-
orientado (ou não-dirigido ou não-direcionado). Nesse caso, as ligações entre os nós são
dadas apenas por retas (no lugar de setas). É importante observar que uma rede é dita
orientada (rede orientada ou rede direcionada) se todos os arcos forem orientados (é o
caso da rede do exemplo anterior). De forma similar, uma rede é dita não-orientada (rede
não-orientada ou rede não-direcionada) se todos os seus arcos forem não-orientados.
Além disso, um caminho é uma sequência de arcos distintos ligando dois nós,
passando por outros nós, independentemente da direção de fluxo de cada arco. Por
exemplo, para ligar o nó 1 ao nó 5, podemos utilizar o caminho (1,2), (2,5), ou seja, passar
pelo arco ligando o nó 1 ao nó 2 e depois pelo arco ligando o nó 2 ao nó 5 (essa sequência
de arcos (isto é, esse caminho) poderia ser escrita como 12-25, ou então 1->2->5). Observe
que poderíamos utilizar o caminho (1,3), (3,5), ou então o caminho (1,2), (2,3), (3,5), e
assim por diante.
392
Com isso, temos a seguinte árvore (o seguinte subconjunto da rede original):
Note que essa árvore é um subconjunto da rede original, ou seja, ela é a rede
original considerando apenas a existência dos arcos (1,2) e (2,3). Observe também que o
número de arcos de uma árvore é sempre igual ao número de nós menos 1 (se
considerarmos 2 arcos então teremos obrigatoriamente 3 nós). Assim, à medida que
adicionarmos um novo arco (“ramificação”) a nossa árvore, teremos mais um nó
conectado a ela (ou seja, cada arco cria uma árvore maior, que é um subconjunto da rede
original).
Por fim, temos que uma árvore geradora (ou árvore de expansão) é uma árvore
que liga todos os nós da rede (se a árvore ligar todos os nós da rede original, então ela
será uma árvore geradora). Um exemplo de árvore geradora da rede original é mostrada
a seguir:
Note que ela é uma árvore (pois não forma ciclos) que interliga todos os 5 nós da
rede original (por isso é uma árvore geradora). Observe também que o número de arcos
é igual ao número de nós menos 1 (temos 5 nós e 4 arcos). É importante notar também
que essa é apenas uma das possíveis árvores geradoras que podem ser obtidas da rede
original (poderíamos escolher qualquer outra combinação de arcos, desde que
interliguem todos os nós e não se formem ciclos).
393
Algoritmo da árvore geradora mínima
1. São fornecidos os nós da rede, mas não as ligações entre eles. No lugar disso, são
fornecidos comprimentos positivos (por exemplo, distâncias, tempos, custos etc.),
associados a cada ligação (arco).
2. Deve-se construir uma árvore geradora, inserindo ligações para satisfazer a
necessidade de haver um caminho interligando cada par de nós.
3. O objetivo é satisfazer essa necessidade de forma a minimizar o comprimento
total (soma) das ligações inseridas na rede (árvore geradora mínima).
É importante observar que uma rede com n nós requer (n – 1) ligações (arcos)
para satisfazer a necessidade de haver um caminho interligando cada par de nós. Não
precisaríamos utilizar ligações extras, uma vez que isso apenas aumentaria
desnecessariamente o comprimento total das ligações.
394
Algumas das aplicações típicas do algoritmo da árvore geradora mínima são:
projeto de redes de telecomunicações (redes de fibras ópticas, rede telefônica, rede de
computadores, rede de TV a cabo etc.); projeto de rede de transporte (ferrovias, estradas
etc.); projeto da rede elétrica de transmissão (interligando localidades, cidades...);
projeto de rede de dutos interligando várias localidade, dentre outros. O objetivo aqui é
minimizar o comprimento total (seja de fios, de cabos, de fibra óptica, de estrada, de
trilho, de material...), a partir da solução que interligue todos os nós com o menor
caminho total possível (utilizando o algoritmo da árvore geradora mínima).
Considere:
𝐶𝑘̅ = conjunto de nós que ainda terão que ser conectados permanentemente após
a iteração k.
𝐶𝑘̅ = 𝐶𝑘−1
̅ – {j*}
Se o conjunto de nós não conectados 𝐶𝑘̅ for vazio, então encerre o algoritmo. Caso
contrário, faça k = k + 1.
395
Para entender essas etapas do algoritmo da árvore geradora mínima vamos
trabalhar no seguinte exemplo:
𝐶0 = ∅
𝐶0̅ = N
𝐶0 = ∅
𝐶0̅ = {1,2,3,4,5,6}
𝐶1 = {1}
396
Podemos representar esses dois conjuntos (𝐶1 e 𝐶1̅ ) a partir da seguinte figura:
Observe que as distâncias entre o nó 1 e os nós que ele possui alguma ligação
(mostrada na rede original) do conjunto 𝐶1̅ são apresentadas nos arcos. Note que a menor
distância (de 1 milha, que ocorre no arco que liga o nó 1 ao nó 2) está destacada em linha
tracejada (é o menor arco entre um nó de 𝐶1 e um nó de 𝐶1̅ ).
Agora devemos entrar na etapa k = 2 (Iteração 2), que consiste em escolher o nó
que resulte no menor arco com o nó da etapa anterior (nó 1). Já vimos que esse nó que
dá o menor arco com o nó 1 é o nó 2. Assim, devemos ligar o nó 2 permanentemente a
𝐶𝑘−1 e eliminá-lo de 𝐶𝑘−1
̅ (ou seja, devemos adicioná-lo ao conjunto 𝐶1 e eliminá-lo do
conjunto 𝐶1̅ ):
Podemos representar esses dois conjuntos (𝐶2 e 𝐶2̅ ) a partir da seguinte figura:
397
Observe que as distâncias entre os nós 1 e 2 (nós do conjunto 𝐶2 ) e os nós que eles
possuem alguma ligação (mostrada na rede original) do conjunto 𝐶2̅ são apresentadas
nos arcos. Note que a ligação entre o nó 1 e o nó 2 foi feita com uma linha mais grossa
(pois é uma conexão permanente). Além disso, observe que a menor distância (de 3
milhas, que ocorre no arco que liga o nó 2 ao nó 5) está destacada em linha tracejada (é
o menor arco entre um nó de 𝐶2 e um nó de 𝐶2̅ ).
Podemos representar esses dois conjuntos (𝐶3 e 𝐶3̅ ) a partir da seguinte figura:
Note que as distâncias entre os nós 1, 2 e 5 (nós do conjunto 𝐶3 ) e os nós que eles
possuem alguma ligação (mostrada na rede original) do conjunto 𝐶3̅ são apresentadas
nos arcos. Observe que a ligação entre o nó 2 e o nó 5 foi feita com uma linha mais grossa
(é uma conexão permanente). Note que a menor distância (de 4 milhas, que ocorre no
arco que liga o nó 2 ao nó 4) está destacada em linha tracejada (é o menor arco entre um
nó de 𝐶3 e um nó de 𝐶3̅ ).
398
Agora devemos entrar na etapa k = 4 (Iteração 4), que consiste em escolher o nó
que resulte no menor arco com os nós da etapa anterior (nó 1 ou nó 2 ou nó 5, isto é, os
nós de 𝐶3 ). Já vimos que esse nó que dá o menor arco é a ligação do nó 2 com o nó 4.
Assim, devemos ligar o nó 4 permanentemente a 𝐶𝑘−1 e eliminá-lo de 𝐶𝑘−1 ̅ (ou seja,
devemos adicioná-lo ao conjunto 𝐶3 e eliminá-lo do conjunto 𝐶3̅ ):
𝐶4 = {1,2,4,5}
𝐶4̅ = {3,6}
Podemos representar esses dois conjuntos (𝐶4 e 𝐶4̅ ) a partir da seguinte figura:
Note que as distâncias entre nós do conjunto 𝐶4 e os nós que eles possuem alguma
ligação (mostrada na rede original) do conjunto 𝐶4̅ são apresentadas nos arcos. Observe
que a ligação entre o nó 2 e o nó 4 foi feita com uma linha mais grossa (é uma conexão
permanente). Note que a menor distância (de 3 milhas, que ocorre no arco que liga o nó
4 ao nó 6) está destacada em linha tracejada (é o menor arco entre um nó de 𝐶4 e um nó
de 𝐶4̅ ).
𝐶5 = {1,2,4,5,6}
𝐶5̅ = {3}
399
Podemos representar esses dois conjuntos (𝐶5 e 𝐶5̅ ) a partir da seguinte figura:
Note que as distâncias entre nós do conjunto 𝐶5 e os nós que eles possuem alguma
ligação (mostrada na rede original) do conjunto 𝐶5̅ (que agora só possui o nó 3) são
apresentadas nos arcos. Observe que a ligação entre o nó 4 e o nó 6 foi feita com uma
linha mais grossa (é uma conexão permanente). Note que a menor distância (de 5
milhas, ocorre tanto no arco que liga o nó 1 ao nó 3 quanto no arco que liga o nó 4 ao nó
3) estão destacadas em linha tracejada (menores arcos entre um nó de 𝐶5 e um nó de 𝐶5̅ ).
𝐶6 = {1,2,3,4,5,6}
𝐶6̅ = ∅
Como 𝐶6̅ , isto é, o conjunto de nós não conectados 𝐶𝑘̅ é vazio, então encerramos o
algoritmo. As ligações permanentes no conjunto 𝐶6 formam a árvore geradora mínima,
como mostrado a seguir:
400
Note que o fato de o arco (1,3) e o arco (4,3) possuírem o mesmo comprimento (5
milhas) faz com que possamos escolher qualquer um desses dois arcos para formar a
árvore geradora mínima (podemos escolher um arco ou o outro arco). Por isso eles foram
chamados de “links alternados”. De qualquer forma, a extensão mínima de cabos
necessária para a expansão do serviço a cabo dessa empresa de telecomunicações será
de 1 + 3 + 4 + 3 + 5 = 16 milhas (cada um dos números dessa soma são os comprimentos
mínimos de cada iteração), que consiste no caminho total mais curto ligando todos os
nós.
401
AULA 2 – PROBLEMA DO
CAMINHO MÍNIMO
O método do caminho mais curto é muito utilizado pela área de Logística, uma
vez que permite determinar a melhor rota entre duas localidades. Existem dois
algoritmos para resolver o problema do caminho mínimo:
Algoritmo de Dijkstra:
Seja 𝑢𝑖 a menor distância entre o nó de origem e nó 𝑖, e 𝑑𝑖𝑗 (≥0) como o
comprimento do arco (𝑖 , 𝑗). Então, o algoritmo cria o rótulo para um nó imediatamente
posterior 𝑗 da seguinte forma:
402
Ou seja, cada rótulo [𝑢𝑖 , 𝑖 ] possui dois valores: o primeiro valor 𝑢𝑖 está associado
com a distância (comprimento) entre um nó 𝑖 e o nó 𝑗 e o segundo valor (𝑖) é o nó que
anterior, a partir do qual podemos alcançar o nó 𝑗.
O rótulo para o nó inicial será [0, –], que significa que a distância até o nó de
origem é igual a 0 e que não existe nenhum nó predecessor a ele (justamente por ser o
nó de origem, não existe nenhum nó anterior a ele).
403
Iteração 0: devemos rotular o nó de origem (nó 1) como um rótulo permanente
dado por [0, –]. Em seguida devemos fazer 𝑖 = 1.
Note que o nó 1 foi rotulado com [0, –] que significa que a distância para se chegar
ao nó 1 é igual a 0 e que não existe nó anterior a ele. Além disso, ele foi rotulado como
permanente (pois não existe distância menor para se chegar ao nó 1). O nó 2 recebeu o
rótulo [100, 1] que significa que a distância entre o nó 1 até o nó 2 é de 100. E o nó 3
recebeu o rótulo [30, 1] que significa que a distância entre o nó 1 até o nó 3 é de 30. Esses
dois nós (2 e 3) são temporários. Agora devemos escolher a menor distância entre os
rótulos temporários [100, 1] e [30, 1] (que é o 𝑢3 = 30), tornando esse nó permanente (o
nó 3, destacado na tabela anterior, passará a ser permanente na próxima etapa).
404
Note que o nó 3 foi rotulado como permanente e a partir dele obtivemos os rótulos
dos nós 4 e 5 (deixados como temporários). O nó 4 recebeu o rótulo [40, 3] que significa
que a distância entre o nó 1 (origem) até o nó 4, passando pelo nó 3, é de 40. E o nó 5
recebeu o rótulo [90, 3] que significa que a distância entre o nó 1 (origem) até o nó 5,
passando pelo nó 3, é de 90. Agora devemos escolher a menor distância entre os rótulos
temporários [100, 1], [40, 3] e [90, 3] (que é o 𝑢4 = 40), tornando esse nó permanente (o
nó 4, destacado na tabela anterior, passará a ser permanente na próxima etapa).
Note que o rótulo do nó 2 anterior [100, 1] foi substituído pelo rótulo [55, 4], pois
55 é menor do que 100 (𝑢𝑖 + 𝑑𝑖𝑗 < 𝑢𝑗 ). Note também que no nó 4 podemos escolher tanto
o [90, 3] quanto o [90, 4], pois ambos possuem o mesmo comprimento. O nó 2 recebeu o
rótulo [55, 4] que significa que a distância entre o nó 1 (origem) até o nó 2, passando
pelo nó 4, é de 55. E o nó 5 pode receber o rótulo [90, 3] que significa que a distância
entre o nó 1 (origem) até o nó 5, passando pelo nó 3, é de 90, ou o rótulo [90, 4] que
significa que a distância entre o nó 1 (origem) até o nó 5, passando pelo nó 4, é de 90.
Agora devemos escolher a menor distância entre os rótulos temporários [55, 4], [90, 3] e
[90, 4] (que é o 𝑢𝑖 = 55), tornando esse nó permanente (o nó 2, destacado na tabela
anterior, passará a ser permanente na próxima etapa).
405
O resumo das Etapas (Iterações) resultantes do algoritmo de Dijkstra é mostrado
a seguir:
Note que cada Etapa (Iteração) está mostrada entre parênteses e que cada rótulo,
associado a cada nó, também está sendo apresentado. O nó de origem é o nó 1. Temos
então que, se o nó de destino for o nó 2, então o comprimento (ou distância) será de 55,
e ele deve passar pelo nó 4 (rótulo [55, 4] – essa distância de 55 é justamente a distância
de 30 entre os nós 1 e 3 somada com a distância de 10 entre os nós 3 e 4 somada com a
distância de 15 entre os nós 4 e 2 ou então a distância de 40 entre os nós 1 e 4 somada
com a distância de 15 entre os nós 4 e 2).
406
Por exemplo, o caminho mais curto entre o nó 1 e 2 é:
Ou seja, partindo do nó de destino (nó 2), temos o rótulo [55,4] que significa que
a distância entre ele (nó 2) e o nó 1 é de 55 milhas e que ele deve passar pelo nó 4. No
nó 4 temos o rótulo [40,3] que mostra que passamos pelo nó 3. No nó 3 temos o rótulo
[30,1], mostrando que o nó 3 vem diretamente do nó 1. Logo, o caminho mínimo entre os
nós 1 e 2 é: 1 -> 3 -> 4 -> 2, com um comprimento de 55 milhas.
Algoritmo de Floyd:
407
Essa operação é conhecida como operação tripla (se um caminho passando por
outro nó for menor do que o caminho indo direto ao nó, então o caminho direto deve ser
substituído pelo caminho indireto, isto é, passando por outro nó) e é aplicada
sistematicamente à rede a partir das seguintes etapas (iterações):
Etapa k: agora aplicaremos a operação tripla. Vamos definir uma linha k e uma
coluna k como a linha pivô e a coluna pivô. Em seguida, aplicaremos a operação
tripla em cada elemento 𝑑𝑖𝑗 da matriz de distâncias Dk-1 para todo 𝑖 e 𝑗.
Assim, após n etapas, teremos o valor do caminho mais curto entre os nós 𝑖 e 𝑗
com base nas matrizes Dn e Sn, a partir das seguintes regras:
1. Na matriz de distâncias Dn, cada entrada 𝑑𝑖𝑗 nos fornece a menor distância entre
os nós i e j.
2. A partir da matriz de sequências de nós Sn faça 𝑘 = 𝑠𝑖𝑗 , que significa que estamos
usando a rota i -> k -> j. Se 𝑠𝑖𝑘 = 𝑘 e 𝑠𝑘𝑗 = 𝑗 então podemos parar, pois todos os
nós intermediários da rota foram encontrados. Caso contrário, repita o
procedimento entre os nós i e k e entre os nós k e j.
409
Para entender a aplicação do algoritmo de Floyd, vamos trabalhar no seguinte
exemplo:
Encontre os caminhos mais curtos entre quaisquer dois nós da rede a seguir. Os
arcos dessa rede fornecem as distâncias em milhas. Note que o arco (3,5) é direcional
(ou seja, nenhum tráfego é permitido no sentido do nó 5 ao nó 3). Todos os demais arcos
permitem o tráfego nos dois sentidos.
Matriz D0:
Matriz S0:
Note que todas as distâncias presentes na rede original foram colocadas nas
entradas da matriz de distâncias D0 e que as ligações não existentes foram consideradas
com valor infinito na entrada correspondente. Por exemplo, como não existe caminho
ligando o nó 1 ao nó 4, então a entrada (1,4) da matriz de distâncias D0 recebeu o valor
∞.
410
Observe também que essa matriz seria simétrica caso todos os arcos fossem não-
direcionais. Porém, como o arco (3,5) é direcional, essa matriz não ficou simétrica. Ou
seja, enquanto a entrada (3,5) da matriz de distâncias D0 recebeu o valor 15, a entrada
(5,3) recebeu o valor ∞ (pois o fluxo nesse sentido não é permitido).
Além disso, como as distâncias das entradas (2,3) e (3,2) foram obtidas
considerando que estamos passando pelo nó 1, então as entradas da matriz de
sequências de nós serão alteradas para s23 = 1 e s32 = 1.
411
Essas mudanças aparecerão em D1 e S1, como mostrado a seguir:
Matriz D1:
Matriz S1:
412
Essas mudanças aparecerão em D2 e S2, como mostrado a seguir:
Matriz D2:
Matriz S2:
E que:
𝑑25 = ∞
𝑑23 + 𝑑35 = 13 + 15 = 28
413
Fazendo as substituições chegamos a:
Matriz D3:
Matriz S3:
E:
𝑑52 = ∞
𝑑54 + 𝑑42 = 4 + 5 = 9
E:
𝑑53 = ∞
𝑑54 + 𝑑43 = 4 + 6 = 10
414
Note também que podemos encontrar um valor menor para outras entradas,
utilizando a operação tripla nessa etapa:
𝑑23 = 13
𝑑24 + 𝑑43 = 5 + 6 = 11
E:
𝑑32 = 13
𝑑34 + 𝑑42 = 6 + 5 = 11
E:
𝑑15 = 25
𝑑14 + 𝑑45 = 8 + 4 = 12
E:
𝑑25 = 28
𝑑24 + 𝑑45 = 5 + 4 = 9
E:
𝑑35 = 15
𝑑34 + 𝑑45 = 6 + 4 = 10
Todas essas entradas foram substituídas por esses valores em D4 e também essas
entradas serão alteradas para 4 nas mesmas posições em S4. Ou seja:
Matriz D4:
Matriz S4:
415
Por fim devemos fazer k = 5. Na Etapa 5, a linha pivô e a coluna pivô devem ser
a linha 5 e a coluna 5, as quais foram sombreadas na matriz D4. Note que não é possível
encontrar nenhum caminho menor do que os presentes nas entradas de D4, através da
operação tripla envolvendo k = 5. Isso significa que as matrizes D4 e S4 apresentam a
resposta final do problema.
Observe agora a rota ligando o nó 1 ao nó 5. Temos que 𝑠15 = 4 (ou seja, é diferente
de 5), o que implica que a menor rota passa pelo nó 4, isto é, a rota 1 -> 4 -> 5. Porém, o
nó 1 não é ligado diretamente ao nó 4, pois 𝑠14 = 2 (ou seja, é diferente de 4), o que
significa que a rota passa pelo nó 2 (nó intermediário entre o nó 1 e o nó 4). Portanto a
rota 1 -> 4 deve ser substituída pela rota 1 -> 2 -> 4, fazendo com que a menor rota entre
o nó 1 e o nó 5 seja a rota 1 -> 2 -> 4 -> 5 (nesse caso temos 2 nós intermediários: os nós
2 e 4).
416
As categorias de aplicações para o problema do caminho mínimo podem ser:
É possível que todas essas três categorias surjam na mesma aplicação. Por
exemplo, podemos desejar encontrar o melhor percurso de uma cidade a outra através
de cidades intermediárias: o melhor percurso pode ser aquele que minimiza a distância
total percorrida, e/ou o custo total, e/ou o tempo necessário para atravessar as cidades.
Considere uma rede que possua 𝑛 nós e desejamos encontrar o caminho mínimo
entre quaisquer dois nós 𝑠 e 𝑡 dessa rede. O modelo de programação linear considera
que uma unidade de fluxo entra na rede no nó 𝑠 e sai no nó 𝑡.
Sendo:
1 , se o arco (𝑖 , 𝑗) for o mais curto
𝑥𝑖𝑗 = {
0 , caso contrário
A função objetivo do problema de programação linear se torna:
As restrições são obtidas por meio das equações de conservação do fluxo em cada
nó:
Fluxo total de entrada = Fluxo total de saída
417
Matematicamente, essa expressão se torna:
Entrada externa Saída externa
( )+ ∑ 𝑥𝑖𝑗 = ( )+ ∑ 𝑥𝑗𝑘
para o nó 𝑗 do nó 𝑗
𝑖 𝑘
todo (𝑖,𝑗) todo (𝑗,𝑘)
418
Observe que para o nó 1, existe a entrada de 1 unidade de fluxo (primeiro termo
do lado esquerdo é igual a 1), mas não existe nenhum arco de entrada (segundo termo
do lado esquerdo é igual a 0). Além disso, não existe saída de fluxo (primeiro termo do
lado direito é igual a 0) e existem 2 arcos de saída: (1,2) e (1,3), representados pelas
variáveis de decisão 𝑥12 e 𝑥13 . Assim, a restrição associada ao nó 1 se torna:
1 = 𝑥12 + 𝑥13
Para o nó 2, não existe entrada de fluxo (primeiro termo do lado esquerdo é igual
a 0) e existem dois arcos de entrada: (1,2) e (4,2), representados pelas variáveis de
decisão 𝑥12 e 𝑥42 . Além disso, existe saída de 1 unidade de fluxo (primeiro termo do lado
direito é igual a 1) e existe 1 arco de saída: (2,3) representado pela variável de decisão
𝑥23 . Assim, a restrição associada ao nó 2 se torna:
𝑥12 + 𝑥42 = 1 + 𝑥23
419
Reorganizando os termos das restrições (passando as variáveis de decisão pra o
lado esquerdo e as constantes para o lado direito), temos o seguinte problema de
programação linear:
Min 𝑧 = 100𝑥12 + 30𝑥13 + 20𝑥23 + 10𝑥34 + 60𝑥35 + 15𝑥42 + 50𝑥45
Sujeito às restrições:
𝑥12 + 𝑥13 = 1
𝑥12 − 𝑥23 + 𝑥42 = 1
𝑥13 + 𝑥23 − 𝑥34 − 𝑥35 = 0
𝑥34 − 𝑥42 − 𝑥45 = 0
𝑥35 + 𝑥45 = 0
420
AULA 3 – PROBLEMA DO
FLUXO MÁXIMO
Cada segmento de tubulação (arco da rede) tem uma taxa de descarga máxima
finita (ou capacidade máxima) para o fluxo de petróleo cru. Cada um dos segmentos de
tubulação (arco) pode ser unidirecional ou bidimensional (dependendo do projeto). A
questão é: como determinar a capacidade máxima da rede entre os poços e a refinaria?
De forma geral, nos problemas de fluxo máximo, os valores dos arcos (𝑖 , 𝑗) definem
a capacidade máxima (o fluxo máximo) permitido entre o nó 𝑖 e o nó 𝑗 (máximo fluxo do
nó 𝑖 para o nó 𝑗). Assim, existem muitas combinações de rotas e de fluxo através de cada
rota que devem ser consideradas.
421
O algoritmo do problema do fluxo máximo visa encontrar as combinações de rotas
e fluxos em cada rota que maximize o fluxo da rede. Assim, o problema de fluxo máximo
pode ser descrito como:
Embora no problema de fluxo máximo sejam permitidos apenas uma única origem
e um único sorvedouro, existem aplicações nas quais o fluxo através da rede pode
originar de mais de um nó (por exemplo, de diversas fábricas) e também terminar em
mais de um nó (por exemplo, clientes). Entretanto, nesse livro trataremos apenas dos
casos clássicos (com apenas um nó de origem e um nó sorvedouro).
422
Dado o arco (𝑖 , 𝑗) com 𝑖 < 𝑗 então a notação (𝐶𝑖𝑗
̅ , 𝐶𝑗𝑖̅ ) representa as capacidades de
fluxo nas duas direções 𝑖 -> 𝑗 e 𝑗 -> 𝑖, respectivamente. Por exemplo, considerando 𝑖 = 1
e 𝑗 = 3, a notação (10,5) indica que a capacidade de fluxo do nó 1 ao nó 3 é de 10 e a
capacidade de fluxo do nó 3 ao nó 1 é de 5. Nas redes aqui estudadas, o valor de 𝐶𝑖𝑗 ̅
aparecerá no arco (𝑖 , 𝑗) próximo ao nó 𝑖, enquanto o valor de 𝐶𝑗𝑖̅ aparecerá no arco (𝑖 , 𝑗)
próximo ao nó 𝑗, como mostrado a seguir:
423
Observe que o Corte 1 engloba os arcos (1,2), (1,3) e (1,4), cujas capacidade são 20,
30 e 10, resultando na capacidade do Corte 1 de 60 (20 + 30 + 10). Da mesma forma, o
Corte 2 engloba os arcos (1,3), (1,4), (2,3) e (2,5), cujas capacidade são 30, 10, 40 e 30,
resultando na capacidade do Corte 2 de 110 (30 + 10 + 40 + 30). E o Corte 3 engloba os
arcos (2,5), (3,5) e (4,5), cujas capacidade são 30, 20 e 20, resultando na capacidade do
Corte 3 de 70 (30 + 20 + 20).
Considerando esses 3 cortes, a única certeza que temos é a de que o fluxo máximo
não poderá ultrapassar 60 unidades (ou ele será igual a 60 unidades ou será menor,
nunca maior – pois o fluxo máximo é dado pelo “gargalo” da rede, que corresponde ao
corte com o menor fluxo). Por conta disso, o fluxo que sai do nó 1 (origem) e que chega
ao nó 5 (sorvedouro) certamente são iguais a 60.
Observe que sabemos exatamente o fluxo que sai em cada arco do nó 1 (corte 1),
pois este corte é o “gargalo”. Mas não sabemos qual é o fluxo através dos demais nós (e
de seus respectivos arcos). Para um entendimento mais detalhado sobre o fluxo e seus
possíveis caminhos (rotas), utilizaremos o algoritmo explicado na próxima seção.
Etapa 2: Faça Si como o conjunto de nós 𝑗 que não foram rotulados e que podem
ser alcançados diretamente do nó 𝑖 por meio de arcos residuais positivos (isto é, para
todo 𝑐𝑖𝑗 > 0). Se Si ≠ ∅ siga para a Etapa 3. Caso contrário, vá para a Etapa 4.
Faça 𝑎𝑘 = 𝑐𝑖𝑘 e rotule o nó 𝑘 com [𝑎𝑘 , 𝑖]. Caso 𝑘 = 𝑛, então o nó sorvedouro foi
rotulado e uma rota de passagem foi encontrada. Nesse caso, vá para Etapa 5. Caso
contrário, faça 𝑖 = 𝑘 e volte à Etapa 2.
Ou seja, o fluxo máximo é o valor mínimo entre os arcos da rota que liga o nó de
origem (desde a rota de origem 𝑎1 ) ao nó sorvedouro (até a rota que liga ao nó sorvedouro
𝑎𝑛 ).
A capacidade residual de cada arco ao longo dessa rota de passagem deve ser
reduzida de 𝑓𝑝 na direção do fluxo (na direção de 𝑖 para 𝑗) e aumentada de 𝑓𝑝 na direção
contrária (na direção de 𝑗 para 𝑖). Ou seja:
425
Etapa 6: Esta etapa consiste em encontrar a solução.
Iteração 1:
Para todos os arcos (𝑖 , 𝑗), iguale as capacidades residuais iniciais às capacidades
iniciais, isto é, faça (𝑐𝑖𝑗 , 𝑐𝑗𝑖 ) = (𝐶𝑖𝑗
̅ , 𝐶𝑗𝑖̅ ).
Etapa 2: os nós que não foram rotulados e podem ser alcançados do nó 1 são os
nós S1 = {2,3,4}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 1 para cada um dos nós de S1 = {2,3,4} são dados
por {20,30,10}. O máximo (o maior valor) corresponde ao arco ligando o nó 1 ao nó 3, isto
é, o arco (1,3). Portanto, 𝑘 = 3. Com isso, devemos rotular o nó 𝑘 = 3 com [30,1] (estamos
considerando o fluxo de 30 que vem do nó 1). Faça 𝑖 = 𝑘 = 3 e volte à Etapa 2.
426
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 3
são os nós S3 = {4,5}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 3 para cada um dos nós de S3 = {4,5} são dados
por {10,20}. O máximo (o maior valor) corresponde ao arco ligando o nó 3 ao nó 5, isto é,
o arco (3,5). Portanto, 𝑘 = 5. Com isso, devemos rotular o nó 𝑘 = 5 com [20,3] (estamos
considerando o fluxo de 20 que vem do nó 3). Faça 𝑖 = 𝑘 = 5. Como 𝑘 = 𝑛 = 5, então o nó
sorvedouro foi rotulado e uma rota de passagem foi encontrada. Nesse caso, iremos para
a Etapa 5.
Com isso, devemos considerar o valor 10 (no lugar de 30) como fluxo residual do
nó 1 ao nó 3, o valor de 20 (no lugar de 0) como fluxo residual do nó 3 ao nó 1, o valor de
0 (no lugar de 20) como fluxo residual do nó 3 ao nó 5 e o valor de 20 (no lugar de 0) como
fluxo residual do nó 5 ao nó 3. Esses novos valores aparecerão na rede da próxima
iteração. Como ainda existe fluxo positivo do nó 1 a outros nós, devemos fazer 𝑖 = 1 e
retornar para a Etapa 2 (para calcular uma nova rota de passagem).
427
Iteração 2:
Etapa 2: os nós que não foram rotulados e podem ser alcançados do nó 1 são os
nós S1 = {2,3,4}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 1 para cada um dos nós de S1 = {2,3,4} são dados
por {20,10,10}. O máximo (o maior valor) corresponde ao arco ligando o nó 1 ao nó 2, isto
é, o arco (1,2). Portanto, 𝑘 = 2. Com isso, devemos rotular o nó 𝑘 = 2 com [20,1] (estamos
considerando o fluxo de 20 que vem do nó 1). Faça 𝑖 = 𝑘 = 2 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 2
são os nós S2 = {3,5}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 2 para cada um dos nós de S2 = {3,5} são dados
por {40,10}. O máximo (o maior valor) corresponde ao arco ligando o nó 2 ao nó 3, isto é,
o arco (2,3). Portanto, 𝑘 = 3. Com isso, devemos rotular o nó 𝑘 = 3 com [40,2] (estamos
considerando o fluxo de 40 que vem do nó 2). Faça 𝑖 = 𝑘 = 3 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 3 é
apenas S3 = {4} (note que o fluxo do nó 3 ao nó 5 é igual a 0 e portanto o nó 5 não pode
ser alcançado do nó 3), que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: o fluxo residual do nó 3 para cada um dos nós de S3 = {4} é {10}. O máximo
(o maior valor) corresponde ao arco ligando o nó 3 ao nó 4, isto é, o arco (3,4). Portanto,
𝑘 = 4. Com isso, devemos rotular o nó 𝑘 = 4 com [10,3] (estamos considerando o fluxo de
10 que vem do nó 3). Faça 𝑖 = 𝑘 = 4 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 4
são os nós S4 = {5} (note que o nó 3 não foi incluído pois, apesar de poder ser alcançado
a partir do nó 4, ele já foi rotulado), que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: o fluxo residual do nó 4 para cada um dos nós de S4 = {5} é {20}. O máximo
(o maior valor) corresponde ao arco ligando o nó 4 ao nó 5, isto é, o arco (4,5). Portanto,
𝑘 = 5. Com isso, devemos rotular o nó 𝑘 = 5 com [20,4] (estamos considerando o fluxo de
20 que vem do nó 4). Faça 𝑖 = 𝑘 = 5. Como 𝑘 = 𝑛 = 5, então o nó sorvedouro foi rotulado
e uma rota de passagem foi encontrada. Nesse caso, iremos para a Etapa 5.
428
A figura a seguir resume as etapas dessa iteração (destacando a rota 2):
Esses novos valores aparecerão na rede da próxima iteração. Como ainda existe
fluxo positivo do nó 1 a outros nós, devemos fazer 𝑖 = 1 e retornar para a Etapa 2 (para
calcular uma nova rota de passagem).
Iteração 3:
Etapa 2: os nós que não foram rotulados e podem ser alcançados do nó 1 são os
nós S1 = {2,3,4}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 1 para cada um dos nós de S1 = {2,3,4} são dados
por {10,10,10}. Podemos então escolher qualquer um dos nós. Vamos escolher o nó de
menor índice (isto é, o nó 2). Assim temos que 𝑘 = 2 e 𝑐12 = 10. Com isso, devemos rotular
o nó 𝑘 = 2 com [10,1] (estamos considerando o fluxo de 10 que vem do nó 1). Agora, faça
𝑖 = 𝑘 = 2 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 2
são os nós S2 = {3,5}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 2 para cada um dos nós de S2 = {3,5} são dados
por {30, 30}. Novamente, vamos escolher o nó de menor índice (isto é, o nó 3). Assim
temos que 𝑘 = 3 e 𝑐23 = 30. Com isso, devemos rotular o nó 𝑘 = 3 com [30,2] (estamos
considerando o fluxo de 30 que vem do nó 2). Faça 𝑖 = 𝑘 = 3 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 3
são os nós S3 = ∅, portanto seguiremos para Etapa 4.
429
Etapa 4: Rota inversa. O rótulo [30,2] do nó 3 indica que o nó que foi rotulado
imediatamente antes foi o nó 𝑖 = 2. Nesse caso, devemos eliminar o rótulo [30,2] do nó
3, e fazer 𝑖 = 𝑟 = 2. Volte para a Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 2
são os nós S2 = {5} (pois o nó 3 foi eliminado na etapa da rota inversa), que é ≠ ∅, portanto
seguiremos para Etapa 3.
Etapa 3: o fluxo residual do nó 2 para cada um dos nós de S2 = {5} é {30}. O máximo
(o maior valor) corresponde ao arco ligando o nó 2 ao nó 5, isto é, o arco (2,5). Portanto,
𝑘 = 5. Com isso, devemos rotular o nó 𝑘 = 5 com [30,2] (estamos considerando o fluxo de
30 que vem do nó 2). Faça 𝑖 = 𝑘 = 5. Como 𝑘 = 𝑛 = 5, então o nó sorvedouro foi rotulado
e uma rota de passagem foi encontrada. Nesse caso, iremos para a Etapa 5.
Esses novos valores aparecerão na rede da próxima iteração. Como ainda existe
fluxo positivo do nó 1 a outros nós, devemos fazer 𝑖 = 1 e retornar para a Etapa 2 (para
calcular uma nova rota de passagem).
430
Iteração 4:
Etapa 2: os nós que não foram rotulados e podem ser alcançados do nó 1 são os
nós S1 = {3,4}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 1 para cada um dos nós de S1 = {3,4} são dados
por {10,10}. Podemos então escolher qualquer um dos nós. Vamos escolher o nó de menor
índice (isto é, o nó 3). Assim temos que 𝑘 = 3 e 𝑐13 = 10. Com isso, devemos rotular o nó
𝑘 = 3 com [10,1] (estamos considerando o fluxo de 10 que vem do nó 1). Faça 𝑖 = 𝑘 = 3 e
volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 3
são os nós S3 = {2} (pois o nó 1 já está rotulado), que é ≠ ∅, portanto seguiremos para
Etapa 3.
Etapa 3: o fluxo residual do nó 2 para cada um dos nós de S2 = {5} é {20}. O máximo
(o maior valor) corresponde ao arco ligando o nó 2 ao nó 5, isto é, o arco (2,5). Portanto,
𝑘 = 5. Com isso, devemos rotular o nó 𝑘 = 5 com [20,2] (estamos considerando o fluxo de
20 que vem do nó 2). Faça 𝑖 = 𝑘 = 5. Como 𝑘 = 𝑛 = 5, então o nó sorvedouro foi rotulado
e uma rota de passagem foi encontrada. Nesse caso, iremos para a Etapa 5.
431
Além disso, temos que as capacidades residuais ao longo da rota 4 são:
(𝑐13 , 𝑐31) = (𝑐13 − 𝑓4 , 𝑐31 + 𝑓4 ) = (10 − 10 , 20 + 10) = (0 , 30)
(𝑐32 , 𝑐23) = (𝑐32 − 𝑓4 , 𝑐23 + 𝑓4 ) = (10 − 10 , 30 + 10) = (0 , 40)
(𝑐25, 𝑐52 ) = (𝑐25 − 𝑓4 , 𝑐52 + 𝑓4 ) = (20 − 10 , 10 + 10) = (10 , 20)
Esses novos valores aparecerão na rede da próxima iteração. Como ainda existe
fluxo positivo do nó 1 a outros nós, devemos fazer 𝑖 = 1 e retornar para a Etapa 2 (para
calcular uma nova rota de passagem).
Iteração 5:
Etapa 2: os nós que não foram rotulados e podem ser alcançados do nó 1 são os
nós S1 = {4}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 4
são os nós S4 = {3,5}, que é ≠ ∅, portanto seguiremos para Etapa 3.
Etapa 3: os fluxos residuais do nó 4 para cada um dos nós de S4 = {3,5} são dados
por {15,10}. O máximo (o maior valor) corresponde ao arco ligando o nó 4 ao nó 3, isto é,
o arco (4,3). Portanto, 𝑘 = 3. Com isso, devemos rotular o nó 𝑘 = 3 com [15,4] (estamos
considerando o fluxo de 15 que vem do nó 4). Faça 𝑖 = 𝑘 = 3 e volte à Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 3
são os nós S3 = ∅, portanto seguiremos para Etapa 4.
Etapa 4: Rota inversa. O rótulo [15,4] do nó 3 indica que o nó que foi rotulado
imediatamente antes foi o nó 𝑟 = 4. Nesse caso, devemos eliminar o rótulo [15,4] do nó
3, e fazer 𝑖 = 𝑟 = 4. Volte para a Etapa 2.
Etapa 2: agora, os nós que não foram rotulados e podem ser alcançados do nó 4
são os nós S4 = {5} (pois o nó 3 foi eliminado na etapa da rota inversa), que é ≠ ∅, portanto
seguiremos para Etapa 3.
Etapa 3: o fluxo residual do nó 4 para cada um dos nós de S4 = {5} é {10}. O máximo
(o maior valor) corresponde ao arco ligando o nó 4 ao nó 5, isto é, o arco (4,5). Portanto,
𝑘 = 5. Com isso, devemos rotular o nó 𝑘 = 5 com [10,4] (estamos considerando o fluxo de
10 que vem do nó 4). Faça 𝑖 = 𝑘 = 5. Como 𝑘 = 𝑛 = 5, então o nó sorvedouro foi rotulado
e uma rota de passagem foi encontrada. Nesse caso, iremos para a Etapa 5.
432
Etapa 5: determinamos a rota de passagem pelos rótulos que iniciam no nó 5 e
percorrem a rota inversa até o nó 1, ou seja, (5) -> [10,4] -> (4) -> [10,1] -> (1). Isso
significa que N5 = {1,4,5} (são os nós da rota de passagem 5). O fluxo ótimo dessa rota de
passagem 𝑓5 é igual ao valor mínimo entre os rótulos presentes nessa rota, ou seja, o
fluxo ótimo é 𝑓5 = min{∞, 10,10} = 10.
Esses novos valores aparecerão na rede da próxima iteração. Como não existe
mais fluxo positivo do nó 1 a outros nós (todos os fluxos residuais que partem do nó 1
são iguais a zero), chegamos à solução do problema.
Iteração 6:
Agora todos os arcos que partem do nó 1 têm fluxos residuais igual a 0, como
mostrado na figura a seguir:
O fluxo máximo da rede é dado por (é igual à soma dos fluxos ótimos de cada rota
de passagem obtido em cada iteração):
𝐹 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 = 20 + 10 + 10 + 10 + 10 = 60
Em que (𝐶𝑖𝑗
̅ , 𝐶𝑗𝑖̅ ) são as capacidades residuais iniciais (dadas na rede original do
problema) e (𝑐𝑖𝑗 , 𝑐𝑗𝑖 ) são as capacidades residuais finais (dadas na última rede obtida na
Iteração 6). Lembrando que, Se 𝛼 > 0, então o fluxo ótimo no arco (𝑖 , 𝑗) vai de 𝑖 para 𝑗 e
é igual a 𝛼. Caso contrário, se 𝛽 > 0, o fluxo ótimo do arco (𝑖 , 𝑗) vai de 𝑗 para 𝑖 e é igual
a 𝛽. Os fluxos ótimos de cada arco são mostrados na tabela a seguir:
A primeira linha, por exemplo, mostra que no arco (1,2) existe um fluxo de 20 que
vai do nó 1 para o nó 2. E o arco (2,3) não possui fluxo. Note que o fluxo ótimo inicial
(que sai do nó de origem, ou seja, do nó 1) é igual a 60 (= 20 + 30 + 10) e que esse valor
deve ser igual ao fluxo ótimo final (que chega ao nó sorvedouro, ou seja, ao nó 5) que é
igual a 60 (= 20 + 20 + 20).
Observe também que alguns arcos utilizaram toda a sua capacidade e outros não
(compare o fluxo dado na tabela com o fluxo da rede original do problema: note que todos
os arcos utilizam a sua capacidade máxima, com exceção dos arcos (2,5), (2,3), sendo que
este último nem é utilizado). O fato de o arco (2,3) ter fluxo zero demonstra que ele
poderia ser eliminado do projeto (e isso não afetaria o fluxo ótimo de 60).
434
Formulação em Programação Linear para o problema do fluxo máximo
Considere uma rede que possua 𝑛 nós e desejamos encontrar o fluxo máximo entre
o nó inicial 𝑠 e o nó terminal 𝑡 dessa rede.
O objetivo (função objetivo) passa a ser determinar 𝑥𝑖𝑗 que maximizará o fluxo
entre o nó inicial 𝑠 e o nó terminal 𝑡, sujeito às restrições de fluxo dadas a seguir:
Fluxo total de entrada = Fluxo total de saída
É importante observar que essa restrição de fluxo acontece em todos os nós, exceto
nos nós 𝑠 e 𝑡.
Max 𝑧1 = ∑ 𝑥𝑖𝑗
para todo (𝑠,𝑗)
Max 𝑧2 = ∑ 𝑥𝑖𝑗
para todo (𝑖,𝑡)
435
Essa expressão demonstra que a função objetivo é de maximização e que os termos
dessa função correspondem aos arcos ligados ao nó terminal 𝑡. Note que os coeficientes
dessa equação são sempre “1” (caso o arco esteja ligado a 𝑡) ou “0” (caso o arco não esteja
ligado a 𝑡).
As restrições são obtidas por meio das equações de conservação do fluxo em cada
nó e devem ser aplicadas apenas aos nós intermediários (a todos os nós com exceção dos
nós inicial 𝑠 e terminal 𝑡). Matematicamente, ela é expressa como:
∑ 𝑥𝑖𝑗 = ∑ 𝑥𝑗𝑘
𝑖 𝑘
todo (𝑖,𝑗) todo (𝑗,𝑘)
Além disso, existe a restrição de capacidade de cada arco (restrição de fluxo), que
impõem um valor limite para cada arco (ou seja, para cada variável de decisão 𝑥𝑖𝑗 ).
Assim, temos que, para todo arco (𝑖 , 𝑗):
𝑥𝑖𝑗 ≤ 𝑐𝑖𝑗
Para a formulação do modelo de fluxo máximo para esse problema, temos que o
nó inicial é 𝑠 = 1 e o nó terminal é 𝑡 = 5.
436
Como discutido anteriormente, existem duas funções objetivo de maximização
diferentes, porém equivalentes. Uma delas associada ao nó inicial 𝑠 = 1:
Max 𝑧1 = ∑ 𝑥𝑖𝑗
para todo (𝑠,𝑗)
Observe que essas variáveis de decisão correspondem aos arcos que estão ligados
diretamente ao nó inicial 𝑠 = 1.
Max 𝑧2 = ∑ 𝑥𝑖𝑗
para todo (𝑖,𝑡)
Observe que essas variáveis de decisão correspondem aos arcos que estão ligados
diretamente ao nó terminal 𝑡 = 5.
É preciso agora aplicar a restrição do fluxo associada a todos os nós (com exceção
do nó inicial 𝑠 = 1 e do nó terminal 𝑡 = 5). Ou seja, elas devem ser aplicadas aos nós 2, 3
e 4. Assim:
Fluxo total de entrada = Fluxo total de saída
∑ 𝑥𝑖𝑗 = ∑ 𝑥𝑗𝑘
𝑖 𝑘
todo (𝑖,𝑗) todo (𝑗,𝑘)
Para o nó 2:
𝑥12 = 𝑥23 + 𝑥25
Note que o arco de entrada para o nó 2 é o (1,2), e os arcos de saída são (2,3) e
(2,5).
Para o nó 3:
𝑥13 + 𝑥23 + 𝑥43 = 𝑥34 + 𝑥35
Note que os arcos de entrada para o nó 3 são (1,3), (2,3) e (4,3), e os arcos de saída
são (3,4) e (3,5). Observe que o arco (4,3) é ao mesmo tempo entrada (do nó 4 para o nó
3, através da variável 𝑥43 ) e saída com o arco (3,4) (do nó 3 para o nó 4, através da
variável 𝑥34 ).
Para o nó 4:
𝑥14 + 𝑥34 = 𝑥43 + 𝑥45
437
Note que os arcos de entrada para o nó 3 são (1,4) e (3,4), e os arcos de saída são
(4,3) e (4,5). Observe novamente que o arco (3,4) é ao mesmo tempo entrada (do nó 3
para o nó 4, através da variável 𝑥34 ) e saída com o arco (4,3) (do nó 4 para o nó 3, através
da variável 𝑥43 ).
438
A solução ótima desse problema usando qualquer uma das funções objetivo é dado
por 𝑧1 = 𝑧2 = 60, que é o fluxo máximo, obtida com 𝑥12 = 20, 𝑥13 = 30, 𝑥14 = 10, 𝑥25 = 20,
𝑥34 = 10, 𝑥35 = 20 e 𝑥45 = 20 (e as demais variáveis de decisão iguais a 0). Note que essa
solução foi a mesma encontrada com o uso do algoritmo do fluxo máximo explicado na
seção anterior.
439
AULA 4 – PERT/CPM
No final dos anos 50, foram desenvolvidas duas técnicas de Pesquisa Operacional
baseadas em redes: a PERT (Program Evaluation and Review Technique – Técnica de
Revisão e Avaliação de Programa) e o CPM (Critical Path Method – Método (ou
Algoritmo) do Caminho Crítico). Essas técnicas foram desenvolvidas de forma
independente para auxiliar os gerentes de projetos nas suas atividades (ajudar a
planejar e coordenar as atividades de um projeto, na criação de um cronograma realista
para o projeto e para monitorar o progresso do projeto durante o seu andamento).
440
Assim, o objetivo do CPM e do PERT é o de fornecer meios analíticos para
programar as atividades do projeto, como mostra a figura a seguir:
A diferença fundamental entre essas duas técnicas (CPM e PERT) é que o CPM
considera que a duração das atividades são determinísticas, enquanto a PERT considera
que essas durações são probabilísticas.
441
Para descrever as atividades do projeto, e consequentemente elaborar a rede de
projeto, são necessárias três tipos de informações fundamentais:
Temos então que cada atividade do projeto é representada por um arco que aponta
na direção do desenvolvimento do projeto (da atividade predecessora para a atividade
seguinte). Com isso, temos que os nós da rede estabelecerão as relações de precedência
entre as diversas atividades.
442
Para entender essas duas regras, considere a figura a seguir:
443
Regra 3: para manter as relações corretas de precedência é preciso responder às
seguintes questões quando cada atividade for adicionada à rede:
o (a) Quais atividades devem preceder imediatamente a atividade atual?
o (b) Quais atividades devem vir após a atividade atual?
o (c) Quais atividades devem ocorrer concorrentemente à atividade atual?
Note que a representação (a) está incorreta em relação à precedência, pois ela
requer que ambas as atividades A e B sejam concluídas para que a atividade E possa
começar (mas, na verdade, apenas a atividade B precisa ser concluída).
444
Para entender essas regras para a representação das atividades de um projeto na
forma de rede, considere o seguinte exemplo:
Note que são descritas cada uma das atividades (coluna 1), suas atividades
predecessoras (coluna 2) e a duração em semana de cada atividade (coluna 3). Por
exemplo, a atividade F (diagramação do livro) tem duração de 4 semanas (coluna 3) e só
pode ser iniciada após a conclusão da atividade E (coluna 2). A rede associada a esse
projeto é mostrada a seguir:
Note que em cada arco temos uma atividade e sua duração. Por exemplo, o arco
(1,2) apresenta a atividade A e a sua duração é de 3 semanas. No arco (3,4) temos a
atividade E com duração de 2 semanas, sendo que ligados ao nó inicial (3) temos as
atividades predecessoras a ela (A e B) e ligado ao nó final (4) temos a atividade seguinte
a E (atividade F), pois a atividade E é predecessora a F. A introdução do nó fictício (2,3)
serviu para atender a Regra 2 (para que A e B tivessem pares diferentes de nós final e
inicial).
445
A etapa seguinte à obtenção da rede é o cálculo da rede, ou cálculo do caminho
crítico (feito pelo CPM). Assim, o resultado do CPM é a construção da programação
temporal. Para atingir o seu objetivo, devemos executar os cálculos de forma a produzir
as seguintes informações:
Ao considerar a rede anterior (do projeto do livro), nota-se que o maior caminho
(comprimento mais longo) é aquele envolvendo as atividades A, E, F, G, I e J (totalizando
3 + 2 + 2 + 2 + 2+ 4 = 15 semanas). Logo, nesse exemplo, o caminho crítico (mais longo)
da rede é o caminho envolvendo as atividades A, E, F, G, I e J, e sua duração é de 15
semanas. Isso significa que as atividades A, E, F, G, I e J são atividades críticas,
enquanto as demais atividades (B, C, D e H) são não críticas (possuem folga).
446
Além disso, temos que o tempo mínimo para a conclusão do projeto (a duração
total necessária para concluir o projeto) é de 15 semanas. A atividade é dita crítica, pois
qualquer atraso que ocorrer nela impactará em um atraso em todo o projeto. Se, por
exemplo, a atividade E for concluída em 3 semanas (ao invés de 2 semanas, ou seja,
atrasou em 1 semana), então a duração do projeto será de 16 semanas (isto é, atrasou
em 1 semana em relação ao previsto).
Etapa inicial: nesta etapa, devemos fazer ◻1 = 0 indicando que o projeto começa
no tempo 0.
Etapa geral 𝒋: considere que os nós 𝑝, 𝑞,... e 𝑣 são ligados diretamente ao nó 𝑗 por
atividades de entrada (𝑝 , 𝑗), (𝑞 , 𝑗),... e (𝑣 , 𝑗), e que os tempos de ocorrência mais cedo
dos eventos (nós) 𝑝, 𝑞,... e 𝑣 já foram calculados, então a ocorrência mais cedo do evento
𝑗 é dada por:
◻𝑗 = max[◻𝑝 + 𝐷𝑝𝑗 ,◻𝑞 + 𝐷𝑞𝑗 , … ,◻𝑣 + 𝐷𝑣𝑗 ]
Após a conclusão do forward pass devemos iniciar o backward pass (tempos mais
tarde de ocorrência Δ). Aqui, os cálculos começam do nó 𝑛 e continuam até o nó final 1.
Etapa inicial: nesta etapa, devemos fazer Δ𝑛 = ◻𝑛 indicando que os tempos mais
cedo e mais tarde de ocorrência do último nó do projeto são os mesmos.
Etapa geral 𝒋: considere que os nós 𝑝, 𝑞,... e 𝑣 são ligados diretamente ao nó 𝑗 por
atividades de saída (𝑗 , 𝑝), (𝑗 , 𝑞),... e (𝑗 , 𝑣), e que os tempos de ocorrência mais tarde dos
eventos (nós) 𝑝, 𝑞,... e 𝑣 já foram calculados, então a ocorrência mais tarde do evento 𝑗 é
dada por:
Δ𝑗 = min[Δ𝑝 − 𝐷𝑗𝑝 , Δ𝑞 − 𝐷𝑗𝑞 , … , Δ𝑣 − 𝐷𝑗𝑣 ]
447
Após realizar esses cálculos, podemos definir as atividades críticas. Uma
atividade (𝑖 , 𝑗) será crítica se satisfizer as seguintes três condições:
1. Δ𝑖 = ◻𝑖
2. Δ𝑗 = ◻𝑗
3. Δ𝑗 – Δ𝑖 = ◻𝑗 – ◻𝑖 = 𝐷𝑖𝑗
Essas três condições fazem com que os tempos mais cedo e mais tarde de
ocorrência dos nós finais 𝑖 e 𝑗 sejam iguais, e que a duração 𝐷𝑖𝑗 se ajuste ao espaço de
tempo especificado. Logo, uma atividade que não satisfaça alguma das três condições é
uma atividade não crítica. Dessa forma, por definição, as atividades críticas de uma rede
consistem de um caminho ininterrupto que abranja toda a rede (do nó inicial ao nó final).
Forward Pass
Nó 1: devemos fazer □1 = 0.
448
Nó 4: podemos alcançar o nó 4 a partir do nó 2, portanto □4 = □2 + D2 4 = 5 + 8 = 13.
Ou seja, a maior distância ligando o nó 1 ao nó 4 é igual a 13, passando pelo nó 2.
Até agora, os cálculos mostram que o tempo mínimo (caminho mais longo do nó
inicial 1 ao nó final 𝑛 = 6) para o projeto ser concluído é de 25 dias.
449
Esses cálculos do forward pass e do backward pass são mostrados na figura a
seguir:
1. Δ5 = ◻5 = 13
2. Δ6 = ◻6 = 25
3. Δ6 – Δ5 = ◻6 – ◻5 = 25 – 13 = 12 = 𝐷56
1. Δ4 = ◻4 = 13
2. Δ6 = ◻6 = 25
3. Δ6 – Δ5 = ◻4 – ◻4 = 25 – 13 = 12 ≠ 𝐷46 = 1
As três condições para as atividades críticas se aplicam também aos arcos (4,5),
(2,4) e (1,2). Note também que no nó 3 3 11 □3 = 8. Isso significa que o nó 3 não poderá
ser nem nó inicial e nem nó final de uma atividade crítica (ou seja, todas as atividades
que passam pelo nó 3 serão não críticas). Temos então que as atividades B, C, E, F e G,
isto é, os arcos (1,3), (2,3), (3,5), (3,6) e (4,6), são atividades não críticas.
450
O caminho crítico é 1 -> 2 -> 4 -> 5 -> 6, ou seja, as atividades A, D e H, que
correspondem aos arcos (1,2), (2,4) e (5,6). Note que a soma das durações das atividades
críticas deve ser igual a 25 dias (= 5 + 8 + 12), que é a duração total necessária para
concluir o projeto (tempo mínimo para a conclusão do projeto).
451
Por exemplo, a atividade B (não crítica) tem duração de 6 dias. A programação
temporal preliminar mostra que ela deve estar concluída até o dia 11 para não haver
atraso no projeto. Isso significa que poderíamos inicia-la em qualquer dia entre o dia 0
e o dia 5. Essa possibilidade nos traz uma folga ou um “espaço de manobra” para a
atividade B (o mesmo raciocínio vale para as demais atividades não críticas).
Redes PERT
453
Considerando que todas as atividades da rede são estatisticamente
independentes, pode-se determinar a média 𝐸{𝑒𝑗 } e a variância var{𝑒𝑗 } da seguinte
forma:
Em seguida, uma vez definidas a média 𝐸{𝑒𝑗 } e a variância var{𝑒𝑗 } do caminho até
o nó 𝑗, é calculada a probabilidade de que o nó 𝑗 seja realizado até um tempo pré-
estabelecida 𝑆𝑗 , através da seguinte fórmula:
𝑒𝑗 − 𝐸{𝑒𝑗 } 𝑆𝑗 − 𝐸{𝑒𝑗 }
𝑃[𝑒𝑗 ≤ 𝑆𝑗 ] = 𝑃 [ ≤ ]
√var{𝑒𝑗 } √var{𝑒𝑗 }
Sabendo que a média µ = 𝐸{𝑒𝑗 } e que o desvio padrão 𝜎 = √var{𝑒𝑗 }, essa expressão
se torna:
𝑒𝑗 − µ 𝑆𝑗 − µ
𝑃[𝑒𝑗 ≤ 𝑆𝑗 ] = 𝑃 [ ≤ ]
𝜎 𝜎
Temos que:
𝑒𝑗 − µ
𝑧=
𝜎
Em que 𝑧 corresponde a uma variável aleatória normal padronizada (ou seja, 𝑧
segue uma distribuição normal). E definindo:
𝑆𝑗 − µ
𝐾𝑗 =
𝜎
Assim:
𝑃[𝑒𝑗 ≤ 𝑆𝑗 ] = 𝑃[𝑧 ≤ 𝐾𝑗 ]
454
Logo, a probabilidade de o nó 𝑗 ser realizado até um tempo pré-estabelecida 𝑆𝑗 é
dada por:
𝑃[𝑧 ≤ 𝐾𝑗 ]
Em que:
𝑆𝑗 − µ
𝐾𝑗 =
𝜎
A variável normal padronizada 𝑧 (com distribuição normal) tem média 0 e desvio
padrão 1. A distribuição normal pode ser utilizada pois 𝑒𝑗 é a soma de variáveis
aleatórias independentes. Com isso, segundo o teorema do limite central, a distribuição
de 𝑒𝑗 pode ser aproximada a uma distribuição normal.
455
A partir dessa tabela, deve-se calcular o tempo médio e a variância da duração de
cada atividade:
𝑎 + 4𝑚 + 𝑏
̅𝑖𝑗 =
𝐷
6
𝑏−𝑎 2
𝑣𝑖𝑗 = ( )
6
Para a atividade A (arco 𝑖 = 1 e 𝑗 = 2):
3+4∙5+7
̅12 =
𝐷 =5
6
7−3 2
𝑣12 =( ) = 0,444
6
Para a atividade B (arco 𝑖 = 1 e 𝑗 = 3):
4+4∙6+8
̅13 =
𝐷 =6
6
8−4 2
𝑣13 =( ) = 0,444
6
Para a atividade C (arco 𝑖 = 2 e 𝑗 = 3):
1+4∙3+5
̅23 =
𝐷 =3
6
5−1 2
𝑣23 = ( ) = 0,444
6
(⋮ )
Agora é preciso encontrar o caminho mais longo entre o nó 1 e os demais nós (2,
3, 4, 5 e 6). Para cada caminho é preciso encontrar a média 𝐸{𝑒𝑗 } e a variância var{𝑒𝑗 }
como sendo as somas das médias 𝐷 ̅𝑖𝑗 e das variâncias 𝑣𝑖𝑗 de todos os arcos pertencentes
a esse caminho. Em seguida, calcula-se o desvio padrão como 𝜎 = √var{𝑒𝑗 }.
456
O caminho mais longo entre o nó 1 e o nó 2 é o próprio caminho (1,2) da tabela
anterior, cuja média é 𝐸{𝑒2 } = 5 e a variância é var{𝑒2 } = 0,444. Assim, o desvio padrão é
dado por 𝜎 = √var{𝑒2 } = √0,444 = 0,67.
O caminho mais longo entre o nó 1 e o nó 5 é o caminho 1 -> 2 ->4 -> 5, cuja média
é 𝐸{𝑒5 } = 5 + 8 + 0 = 13 e a variância é var{𝑒5 } = 0,444 + 1 + 0 = 1,444. Assim, o desvio
padrão é calculado como 𝜎 = √var{𝑒5 } = √1,444 = 1,2.
O caminho mais longo entre o nó 1 e o nó 6 é o caminho 1 -> 2 ->4 -> 5 -> 6, cuja
média é 𝐸{𝑒6 } = 5 + 8 + 0 + 12 = 25 e a variância é var{𝑒6 } = 0,444 + 1 + 0 + 0,444 = 1,888.
Assim, o desvio padrão é calculado como 𝜎 = √var{𝑒6 } = √1,888 = 1,37.
Para o nó 3:
𝑆3 − µ 11 − 8
𝐾3 = = = 3,19
𝜎 0,94
458
Então:
𝑃 [𝑒3 ≤ 𝑆3 ] = 𝑃 [𝑧 ≤ 3,19]
Para 𝑧 ≤ 3,19 a tabela apresenta o valor 0,9993, logo:
𝑃[𝑒3 ≤ 𝑆3 ] = 𝑃 [𝑧 ≤ 3,19] = 0,9993
Isso significa que a probabilidade de as atividades anteriores ao nó 3 terminarem
dentro do tempo pré-estabelecido 𝑆3 = 11 dias é de 0,9993 (99,93%).
Para o nó 4:
𝑆4 − µ 12 − 13
𝐾4 = = = −0,83
𝜎 1,2
Então:
𝑃[𝑒4 ≤ 𝑆4 ] = 𝑃 [𝑧 ≤ −0,83]
A tabela da distribuição normal para valores de 𝐾𝑗 negativos é dada por:
459
Para 𝑧 ≤ −0,83 a tabela apresenta o valor 0,2033, logo:
𝑃[𝑒4 ≤ 𝑆4 ] = 𝑃[𝑧 ≤ −0,83] = 0,2033
Isso significa que a probabilidade de as atividades anteriores ao nó 4 terminarem
dentro do tempo pré-estabelecido 𝑆4 = 12 dias é de 0,2033 (20,33%).
Para o nó 5:
𝑆5 − µ 14 − 13
𝐾5 = = = 0,83
𝜎 1,2
Então:
𝑃 [𝑒5 ≤ 𝑆5 ] = 𝑃 [𝑧 ≤ 0,83]
Para 𝑧 ≤ 0,83 a tabela apresenta o valor 0,7967, logo:
𝑃[𝑒5 ≤ 𝑆5 ] = 𝑃 [𝑧 ≤ 0,83] = 0,7967
Isso significa que a probabilidade de as atividades anteriores ao nó 5 terminarem
dentro do tempo pré-estabelecido 𝑆5 = 14 dias é de 0,7967 (79,67%).
Para o nó 6:
𝑆6 − µ 26 − 25
𝐾6 = = = 0,73
𝜎 1,37
Então:
𝑃 [𝑒6 ≤ 𝑆6 ] = 𝑃 [𝑧 ≤ 0,73]
Para 𝑧 ≤ 0,73 a tabela apresenta o valor 0,7673, logo:
𝑃[𝑒6 ≤ 𝑆6 ] = 𝑃 [𝑧 ≤ 0,73] = 0,7673
Isso significa que a probabilidade de as atividades anteriores ao nó 6 terminarem
dentro do tempo pré-estabelecido 𝑆6 = 26 dias é de 0,7673 (76,73%).
Dessa forma, considerando a conclusão do projeto, que tem média 25 dias e desvio
padrão de 1,37 dias, a probabilidade de o projeto ser concluído em até 26 dias é de 0,7673.
460
EXERCÍCIOS DE FIXAÇÃO – CAPÍTULO 7
(1) FCC - 2012 - TRT - Tecnologia da Informação
A estrutura de dados chamada grafo consiste num conjunto de nós (ou vértices) e num
conjunto de arcos (ou arestas). Cada arco em um grafo é especificado por um par de nós.
Se os pares de nós que formam o arco forem pares ordenados, diz-se que o grafo é
A. incidente.
B. ponderado.
C. adjacente.
D. orientado.
E. sucessor.
Considere uma rede contendo 5 nós (A, B, C, D e E), cujas ligações são mostradas a
seguir:
É afirmado que:
A. I e II, apenas.
C. I, III, apenas.
D. I, II e III, apenas.
461
(3) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
Sabendo-se que apenas um caminhão irá realizar todas as entregas, o menor percurso
da viagem de ida, em km, é de
A. 140
B. 150
C. 170
D. 180
E. 190
462
(4) CESGRANRIO - 2012 - EPE - Analista de Pesquisa Energética
E. um viajante terá que se deslocar 5 km, para percorrer o menor caminho entre a cidade
B e a cidade E.
463
(5) Questão de Prova Antiga
Assinale a alternativa que apresenta o comprimento total mais curto ligando todos os
nós (árvore geradora mínima):
A. 12 km.
B. 14 km.
C. 16 km.
D. 18 km.
E. 20 km.
464
(6) FUNDATEC – 2016 – POSCOM – Pós-graduação em Computação
A Figura (a) abaixo mostra o exemplo de um grafo não direcionado G com os pesos
mostrados ao lado de cada aresta. Sobre a árvore T representada na Figura (b), é correto
afirmar que:
A. T representa a árvore geradora mínima do grafo da Figura (a) cujo peso total é 12. T
não é única, pois a substituição da aresta (3,5) pela aresta (2,5) produz outra árvore
geradora de custo 12.
C. T representa a árvore geradora mínima do grafo da Figura (a) cujo peso total é 12. A
substituição da aresta (3,5) pela aresta (2,4) produz uma árvore geradora máxima cujo
peso total é 14.
D. T representa a árvore de caminhos mais curtos do grafo da Figura (a) com origem
única no vértice 2. T não é única, pois a substituição da aresta (3,5) pela aresta (2,4)
produz caminhos mais curtos entre todos os pares de vértices do grafo.
465
(7) Questão de Prova Antiga
466
(8) FCM - 2016 - IF Farroupilha - RS - Docente - Pesquisa Operacional/Finanças
Sabe-se que algumas atividades podem ser realizadas em paralelo. Então, o menor
tempo de conclusão do projeto, ou seja, o comprimento do caminho crítico é igual a
A. 10.
B. 17.
C. 20.
D. 23.
E. 33.
467
(9) ENADE 2017 – Engenheiro de Produção
A. I, apenas.
B. III, apenas.
C. I e II, apenas.
D. II e III, apenas.
E. I, II e III.
468
(10) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
A. A – G – I
B. B – D – G – I
C. B – E – H – I
D. C – H – I
E. B – F – I
469
(11) CESGRANRIO - 2014 - Petrobras - Engenheiro de Produção Júnior
Uma equipe está atuando em um projeto de mitigação dos riscos ambientais. A duração
e a precedência de cada atividade a ser realizada estão descritas na Tabela abaixo.
A. 15
B. 16
C. 17
D. 18
E. 19
470
(12) CESGRANRIO - 2018 - Transpetro - Engenheiro de Produção Júnior
Considere a rede de projeto da Figura abaixo, onde as durações de cada atividade estão
indicadas em semanas entre parênteses.
A. F
B. B
C. D
D. A e C
E. E e F
471
(13) ENADE 2019 – Engenheiro de Produção
No projeto de construção de uma casa, o tempo de duração de cada etapa foi modelado
por uma distribuição triangular com os tempos mínimos, os mais prováveis e os
máximos. Nesse projeto, cada etapa pôde ser iniciada assim que a etapa precedente
estivesse concluída.
Com base nessas informações, o tempo de duração mínimo, o mais provável e o máximo
do projeto são, respectivamente,
A. 7, 12 e 16.
B. 7, 12 e 17.
C. 7, 13 e 16.
D. 8, 12 e 16.
E. 8, 13 e 17.
GABARITO
(1) D (2) C (3) B (4) D (5) B (6) A (7) B (8) D (9) A (10) D (11) C (12) C
(13) A
472
BIBLIOGRAFIA
SILVA, Ermes M.; SILVA, Elio M.; GONÇALVES, Valter; MUROLO, Afrânio C.
Pesquisa Operacional: Programação Linear: Simulação. 5a Edição. São Paulo: Atlas.
2017.
TAHA, Hamdy A. Pesquisa Operacional. 8a Edição. São Paulo: Pearson Prentice Hall.
2008.
473