TDE 1 – PESQUISA OPERACIONAL – LUAN FERREIRA – RA: 534171

Seção 1.1 (ex. 1) R: A Pesquisa Operacional (PO) é um ramo da Matemática Aplicada que tem
por objetivo encontrar soluções ótimas para problemas de decisão (de maximização ou
minimização) envolvendo diversas restrições e variáveis. A PO é uma área de pesquisa muito
ampla e útil para a tomada de decisões em várias áreas, como: economia, engenharia,
finanças, gestão de recursos humanos, logística, marketing, produção, saúde e outras.

Seção 1.2 (ex. 1) R: a relação entre pesquisa operacional e tomada de decisão é muito
próxima, uma vez que a pesquisa operacional fornece às organizações as ferramentas e os
métodos necessários para analisar problemas complexos de tomada de decisão e tomar
decisões informadas e embasadas em dados. Com a pesquisa operacional, as organizações
podem avaliar e comparar diferentes alternativas e escolher a melhor opção possível com base
nos critérios definidos, maximizando benefícios e minimizando custos e riscos.

Seção 1.2.1 (ex. 1) R: Os principais elementos contidos em um modelo matemático são:

1. Variáveis: são as quantidades que o modelo tenta descrever. Elas podem ser
independentes ou dependentes e são representadas por símbolos. As variáveis
independentes não dependem de outras variáveis e as variáveis dependentes são
afetadas por outras variáveis no modelo. Por exemplo, em um modelo que descreve a
trajetória de um objeto em queda livre, a variável independente seria o tempo e a
variável dependente seria a posição do objeto.
2. Parâmetros: são as constantes no modelo que afetam as variáveis. Eles são geralmente
definidos fora do modelo e permanecem constantes durante a análise. Por exemplo,
em um modelo que descreve a dinâmica de um veículo, o coeficiente de atrito entre os
pneus e a estrada seria um parâmetro.
3. Restrições: são as condições que limitam as soluções possíveis do modelo. Elas podem
ser expressas como equações ou desigualdades. Por exemplo, em um modelo que
descreve o fluxo de tráfego em uma cidade, a restrição pode ser o limite de velocidade
ou a capacidade máxima de uma via.
4. Função objetivo: é a expressão matemática que define o objetivo do modelo. Ela
descreve a quantidade que se deseja maximizar ou minimizar. Por exemplo, em um
modelo de produção, a função objetivo pode ser maximizar o lucro ou minimizar o
custo total.
5. Equações ou desigualdades: são as relações matemáticas que descrevem as interações
entre as variáveis e parâmetros. Elas são a base do modelo e ajudam a prever o
comportamento das variáveis sob diferentes condições. Por exemplo, em um modelo
que descreve a propagação de uma doença infecciosa, as equações podem descrever a
taxa de infecção e a taxa de recuperação.

Em resumo, um modelo matemático é uma representação abstrata de um sistema, processo

ou fenômeno real, usando equações matemáticas e outros elementos para descrever as
relações entre as variáveis envolvidas. Ele pode ser usado para prever o comportamento do
sistema sob diferentes condições e tomar decisões informadas com base nas soluções geradas
pelo modelo.

Seção 1.2.1 (ex. 2) R: Existem quatro escalas de mensuração: nominal (categorias sem ordem),
ordinal (categorias com ordem), intervalar (escalas com unidades iguais, sem ponto zero
absoluto) e de razão (escalas com unidades iguais e ponto zero absoluto). A principal diferença
entre as escalas é a natureza e as propriedades das medidas que podem ser realizadas em
cada uma delas.

Seção 1.2.1 (ex. 3) R:

A) Contínua
B) Contínua
C) Binária
D) Discreta
E) Discreta
F) Binária
G) Contínua
H) Discreta
I) Binária
J) Contínua
K) Discreta
L) Contínua
M) Binária
N) Binária

Seção 1.2.1 (ex. 4)

R: Variáveis: Montante a ser aplicado em ações (X1) e em renda fixa (X2).

Parâmetros – Taxa de retorno esperada para a aplicação em ações (A%) e em renda fixa (R
%) no período.

Função Objetivo – Maximizar a expressão MA*(A%) + RF*(R%)

Restrições: MA + RF = 1.000.000,00 e MA ≤ 250.000

Seção 1.2.2 (ex. 1) R: O estudo da Pesquisa Operacional envolve a formulação do problema,

construção do modelo matemático, coleta de dados, desenvolvimento e implementação do
método, validação do modelo, implementação da solução e monitoramento e controle da
solução implementada.

Seção 1.3 (ex. 1) R: Os modelos determinísticos são usados para descrever sistemas que
podem ser previstos com certeza, ou seja, eles não envolvem a incerteza. Por outro lado, os
modelos estocásticos são usados para descrever sistemas em que a incerteza é um fator
importante. Esses modelos lidam com variáveis aleatórias, que não podem ser previstas com
precisão. a principal diferença entre modelos determinísticos e estocásticos é que os primeiros
consideram a ausência de incerteza, enquanto os segundos levam em conta a aleatoriedade e
a incerteza dos eventos. A escolha entre esses modelos dependerá do tipo de problema que se
pretende resolver e da natureza da incerteza envolvida no problema.

Seção 1.3.1 (ex. 1) R: Existem 11 tipos de modelos de programação distintos, cada um com
suas próprias características e aplicabilidades. Alguns desses modelos de programação, como
Programação Linear, Programação Linear Inteira e Programação Não Linear, permitem a
utilização de números reais em suas soluções, enquanto outros, como Programação Linear
Inteira e Programação Não Linear Inteira, permitem somente a utilização de números inteiros.
Além disso, alguns modelos, como Programação Linear Binária e Programação Não Linear
Binária, somente permitem o uso de valores binários, ou seja, valores que representam apenas
dois estados distintos, como "sim" ou "não". Já outros modelos de programação podem
combinar duas ou mais dessas escalas, permitindo maior flexibilidade na resolução de
problemas e na manipulação de dados.

Seção 1.3.1 (ex. 2) R: A Programação Linear é utilizada para otimizar funções lineares sujeitas a
restrições lineares. Isso significa que todos os termos da função objetivo e das restrições são
lineares, ou seja, as variáveis são elevadas apenas à primeira potência. a Programação Não
Linear é utilizada para otimizar funções não lineares sujeitas a restrições não lineares ou
lineares. A PNL é utilizada em problemas onde a função objetivo ou as restrições não são
lineares. A PL é um modelo mais simples, que pode ser resolvido de forma mais eficiente,
enquanto a PNL é um modelo mais complexo, que exige a utilização de algoritmos mais
sofisticados. A escolha entre esses modelos dependerá do tipo de problema que se pretende
resolver e do objetivo da otimização.

Seção 1.3.1 (ex. 3) R:

A) Linear
B) Não linear
C) Não linear
D) Não linear
E) Linear
F) Não linear
G) Linear
H) Não linear
I) Linear
J) Não linear
K) Linear
L) Não linear
M) Não linear
N) Não linear
O) Não linear
P) Não linear
Q) Linear
R) Não linear
S) Não linear
T) Não linear