MODELAGEM E

OTIMIZAÇÃO DE
SISTEMA DA
PRODUÇÃO

Ronei Stein
Técnicas de modelagem:
modelos de programação
matemática
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:

 Descrever os conceitos envolvidos na modelagem matemática de

problemas.
 Construir modelos de programação matemática.
 Aplicar modelos de programação matemática para resolver pro-
blemas reais.

Introdução
Em busca de competitividade e mesmo de sobrevivência, as empresas
buscam otimizar seus processos produtivos, gerenciando, de forma mais
eficiente possível, seus recursos disponíveis. Dessa forma, a Pesquisa
Operacional (PO) torna-se uma ferramenta indispensável e de extrema im-
portância no meio empresarial, facilitando a otimização e a racionalização
dos recursos. Isso se deve ao fato de haver uma caracterização principal
dos modelos de otimização de indicarem a melhor decisão a ser tomada
segundo algum critério adotado.
Neste capítulo, você estudará conceitos a respeito de técnicas de
modelagem e conhecerá diferentes modelos matemáticos. Assim, você
verá que as técnicas de modelagem matemática (ou de otimização)
normalmente estão condicionadas à solução de um único objetivo e
assumem que as restrições não podem ser violadas. Porém, há diver-
sas soluções existentes no mundo real que exigem que boa parte das
decisões das empresas seja flexível. Dessa forma, os gestores procuram
satisfazer ou pelo menos se aproximar dos objetivos estabelecidos, em
vez de considerá-los como rígidos.
2 Técnicas de modelagem: modelos de programação matemática

Modelagem matemática: conceitos gerais

A modelagem computacional é uma área de conhecimento multidisciplinar
que trata da aplicação de modelos matemáticos e técnicas da computação à
análise, compreensão e ao estudo da fenomenologia de problemas complexos
em áreas tão abrangentes quanto as engenharias, ciências exatas, biológicas,
humanas, economia e ciências ambientais. Arenales et al. (2015) mencionam
que fazer ciência é a capacidade de observar e descrever fenômenos naturais,
sociais, econômicos, entre outros, e que a matemática tem uma importância
fundamental na descrição desses fenômenos. A partir da observação de fenô-
menos, processos ou sistemas, que podem ser físicos, químicos, biológicos,
econômicos, buscam-se as leis que os regem. Essas leis, se passíveis de serem
descritas por relações matemáticas, dão origem aos modelos matemáticos.
O termo modelo usado neste capítulo procura imitar as principais carac-
terísticas de um objeto real para fins de representá-lo. Andrade (2009) men-
ciona que a metodologia da pesquisa operacional é mais desenvolvida para a
solução de problemas que podem ser representados por modelos matemáticos.
O modelo mais apropriado para um dado contexto ou problema depende de
vários fatores, como:

 a natureza matemática das relações entre as variáveis;

 os objetivos do encarregado da decisão;
 a extensão do controle sobre as variáveis de decisão;
 o nível de incerteza associado ao ambiente da decisão.

Com base nessas informações, Batalha (2008) e Andrade (2009) ressaltam

que os modelos matemáticos podem ser divididos ainda em dois grandes grupos.

Modelos de simulação
Os modelos de simulação procuram oferecer uma representação do mundo
real com o objetivo de permitir a geração e a análise de alternativas antes da
implementação de qualquer uma delas. Dessa forma, permitem que o analista
tenha um considerável grau de liberdade e flexibilidade em relação à escolha
da ação mais conveniente. Com isso, o administrador poderá criar ambientes
futuros possíveis e testar alternativas, visando responder perguntas como: “e
se...?”, “o que acontecerá se...?”. É importante mencionar que a escolha da
melhor alternativa não é fixada na estrutura do modelo, sendo aplicada pelo
analista. Para facilitar o entendimento, acompanhe a Figura 1.
 Técnicas de modelagem: modelos de programação matemática 3

Figura 1. Processos de decisão com modelos de simulação.

Fonte: Andrade (2009, p. 15).

Modelos de otimização
Estes modelos não permitem flexibilidade na escolha das alternativas, uma
vez que são estruturados para selecionar uma única alternativa, que será
considerada “ótima” de acordo com o critério estabelecido pelo analista. O
critério faz parte da estrutura do modelo, que encontra a melhor alternativa
a partir de uma análise matemática. Essa análise matemática, por sua vez, é
processada por métodos sistemáticos de solução, os quais são chamados de
algoritmos. Para facilitar o entendimento, observe a Figura 2.

Figura 2. Processo de decisão com modelos de otimização.

Fonte: Andrade (2009, p. 15).

O modelo matemático é uma representação simplificada (abstração) do problema

real. Logo, o modelo deve ser suficientemente detalhado para captar os elementos
essenciais do problema, mas também suficientemente “simples”, a fim de ser resolvido
por métodos de resolução e computadores disponíveis.
4 Técnicas de modelagem: modelos de programação matemática

Os modelos matemáticos também podem ser classificados segundo a na-

tureza de sua contribuição para o processo decisório das organizações ou, em
outras palavras, de acordo com o tipo das informações que eles produzem e
das respostas que fornecem, sendo, segundo Andrade (2009):

 Modelos prescritivos: são modelos de otimização baseados em relações

matemáticas como: Y = f(X1, X2,...X n), onde X1, X2, ... X n são variáveis
independentes e, por isso, sob controle da administração. Logo, esse
tipo de modelo visa alertar a direção e quais devem ser os valores das
variáveis independentes que produzirão o valor ótimo para a variável
dependente.
 Modelos preditivos: geralmente são modelos de simulação que têm
por objetivo estimar valores futuros para o objetivo desejado. Em al-
guns casos, a relação funcional entre as variáveis independentes Xi e
dependente Y é conhecida, porém, em outros casos, é necessária uma
análise estatística que estime a relação funcional.

Caso haja a necessidade de saber como a quantidade vendida de um produto reagirá

a determinados níveis futuros de preço, deve-se realizar uma análise estatística que
estime a função da demanda desse produto, ou seja, sua elasticidade-preço.

 Modelos descritivos: são considerados modelos de simulação, mas

com a característica principal de haver uma grande incerteza sobre os
valores futuros das variáveis independentes. Esses modelos produzem
cenários futuros cuja possibilidade de concretização é determinada a
partir de probabilidades subjetivas.
 Modelos de análise estatística: são baseados em todos os métodos
estatísticos (descritivo, diferencial, inferencial, bayesiana, regressão,
multivariada, entre outros) que formam os módulos analíticos de softwa-
res de amplo uso pelas empresas. Por exemplo, a inferência bayesiana
pode auxiliar a prever situações futuras, permitindo estimar o grau de
certeza de uma hipótese a partir da observação de evidências.
 Técnicas de modelagem: modelos de programação matemática 5

Segundo Batalha (2008), os modelos de otimização matemática têm um

papel destacado na pesquisa operacional e podem ser divididos em duas partes:

 Modelos de programação matemática (determinística): além da

programação linear, discreta, não linear e fluxos em redes, incluem a
programação multiobjetivos (como, por exemplo, programação de metas,
análise de Pareto e curvas de trade-off, análise de envoltório de dados-
-DEA), que consideram situações com múltiplos objetivos (critérios a
serem otimizados) possivelmente conflitantes. Também há os modelos
baseados em técnicas de programação dinâmica determinística.
 Modelos estocásticos: incluem os modelos baseados em programação
estocástica e otimização robusta, programação dinâmica estocástica,
teoria de decisão, teoria de jogos, controle de estoque, previsão e séries
temporais, cadeias de Markov e processos markovianos de decisão,
teoria de filas e simulação.

Construção de modelos de programação

matemática
A Programação Linear (PL) envolve técnicas de modelagem matemática
desenvolvidas para otimizar o uso de recursos limitados. Devido à eficiência
computacional, a PL é uma base para o desenvolvimento de algoritmos de
solução de outros tipos de modelos de Pesquisa Operacional (PO), incluindo
programação inteira, não linear e estocástica (BELFIORE; FÁVERO, 2012).
Formalmente, um modelo matemático é escrito da seguinte maneira:

Maximizar/Minimizar f(x), sujeito a:

g(x) ≥ a
h(x) ≤ b
s(x) = c
l≤x≤u

Em que f(x) é uma função, linear ou não linear, a ser otimizada (maximizada
ou minimizada), sujeita às restrições (lineares ou não lineares) que indicam
uma necessidade a ser satisfeita (“maior ou igual”), uma disponibilidade a ser
respeitada (“menor ou igual”) ou um condicionante a ser satisfeito de maneira
exata (“igual”).
6 Técnicas de modelagem: modelos de programação matemática

A pesquisa operacional e, em particular, a programação matemática

tratam de problemas de decisão, fazendo uso de modelos matemáticos que
procuram representar o problema real (de forma parcial), de acordo com
Arenales et al. (2015). De modo geral, o modelo de PL ou PO consiste em
três elementos básicos:

1. Variáveis de decisão que se busca determinar;

2. Objetivo (meta) que se deseja otimizar;
3. Restrições que se deve respeitar.

A abordagem de resolução de um problema por meio de pesquisa operacio-

nal envolve várias fases, conforme pode ser visto na Figura 3, que apresenta
uma ilustração do processo simplificado da abordagem de solução de um
problema usando a modelagem matemática. Obviamente, a elaboração de
qualquer modelo matemático se tornará mais simples se for seguida uma certa
sistemática para a análise do problema. Dessa forma, é possível garantir que
o modelo em desenvolvimento seja adequado ao problema e que, uma vez
desenvolvido, poderá ser usado de maneira efetiva.

Figura 3. Processo de modelagem matemática.

Fonte: Batalha (2008, p. 163).

A formulação/modelagem define as variáveis e as relações matemáticas

para descrever o comportamento relevante do sistema ou problema real. A
dedução/análise aplica técnicas matemáticas e tecnológicas para resolver o
modelo matemático e visualizar quais conclusões ele sugere. A interpretação/
inferência argumenta que as conclusões retiradas do modelo têm signifi-
cado suficiente para inferir conclusões ou decisões para o problema real.
Comumente, uma avaliação ou um julgamento dessas conclusões ou decisões
 Técnicas de modelagem: modelos de programação matemática 7

inferidas mostra que elas não são adequadas e que a definição do problema e
sua modelagem matemática precisam de revisão, e, então, o ciclo é repetido
(ARENALES et al., 2015).
Entre as várias fases, tem-se, para os problemas de simulação:

 Definição do problema: define o escopo do problema em estudo.

 Construção do modelo: traduz a fase (i) em relações matemáticas ou
lógicas de simulação ou, então, uma combinação delas.

Para a construção dos modelos, é necessário identificar as variáveis rele-

vantes, as quais podem ser:

■ Variáveis endógenas: representarão aspectos de interesse do sistema

que foram identificados na fase (i) e, também, outras que serão
geradas dentro do modelo, para se chegar à solução final.
■ Variáveis exógenas: são variáveis que representam valores impor-
tantes determinados por influências externas ao sistema e incluem,
também, aquelas variáveis que estão sob o controle e a decisão direta
do gerente/administrador.
 Solução do modelo: utiliza métodos de solução e algoritmos conhecidos
para resolver o modelo da fase (ii). Uma vez definido o conjunto de
variáveis significativas, as relações entre elas devem ser formalmente
escritas em termos matemáticos. Essas relações podem ser:
■ Definidas pela lógica do problema, como, por exemplo: Receita =
venda x preço unitário.
■ Empíricas, as quais são obtidas a partir de técnicas de estimação,
como, por exemplo: Lucro Bruto = K · Volume de Vendas, onde o
fator K é estimado a partir de dados históricos.
■ Derivadas de outras variáveis por meio de relações algébricas.
 Validação do modelo: verifica se o modelo proposto representa de
maneira apropriada o problema. Esta é uma fase trabalhosa do processo
e deve ser realizada com cautela. Os testes do modelo são realizados
com o objetivo de ajustar o modelo ao que se espera dele e validá-lo,
visando promover sua aceitação. Uma vez que tenha sido validado, o
modelo pode ser usado para gerar respostas para as questões identifi-
cadas na fase (i).
 Implementação da solução: preocupa-se com a implementação da
solução na prática, traduzindo os resultados do modelo em decisões.
8 Técnicas de modelagem: modelos de programação matemática

Cabe ressaltar que um modelo matemático nem sempre é formulado em uma única
vez, podendo haver ciclos (ou subciclos) das fases (i)-(v) para revisão do modelo ma-
temático. Com o avanço tecnológico, tem sido possível resolver modelos de pesquisa
operacional (e, consequentemente, modelos matemáticos) cada vez mais complexos,
o que não era possível no passado.
Mas aí você pode estar questionado o estudo de modelos matemáticos diante das
facilidades do uso dos mais variados softwares comerciais já existentes. Nem sempre
é possível resolver problemas de aplicação direta nesses aplicativos computacionais,
sendo necessário algum domínio da teoria em que se baseia o método. Além disso,
o não conhecimento pode conduzir a um uso equivocado dos softwares.

Porém, conforme descrito anteriormente, os modelos podem ser de si-

mulação e otimização. Como os modelos de otimização têm características
diferentes com relação aos modelos de simulação, os passos que devem ser
seguidos são diferentes, de acordo com Andrade (2009).

 Definição do problema: desde o início já deve-se reconhecer que existe

um problema para o qual é indicada a procura da melhor solução pela
pesquisa dos valores ótimos das variáveis de decisão. Será mais útil
empregar técnicas de otimização quando:
■ Existirem muitas variáveis de decisão ou quando as variáveis puderem
assumir valores em uma ampla faixa de viabilidade, fazendo com
que os modelos de simulação se tornem muitos lentos.
■ Houver restrições nos recursos ou variáveis que tornem complexo o
processo de escolha dos valores das variáveis.
■ Os sistemas forem tais que algumas variáveis devem ter seus valores
calculados de maneira precisa para respeitar restrições ou evitar
grandes variações no resultado final.
 Identificação das variáveis relevantes: o conjunto de variáveis im-
portantes inclui:
■ As variáveis de decisão para as quais o administrador procura valores
ótimos.
■ Variáveis exógenas que servem de base para a definição de restrições
ou de variáveis endógenas.
 Técnicas de modelagem: modelos de programação matemática 9

■ Variáveis endógenas que, dependendo dos valores de outras, muitas

vezes, entram na formação da função objetiva ou das restrições que
o administrador deve especificar.
 Formulação da função objetivo: reflete o critério de otimização das
variáveis de decisão e deve ser escrita em forma matemática.
 Formulação das restrições: as restrições devem ser escritas em forma
matemática; da mesma forma, a relação entre as variáveis deve ser
formulada matematicamente.
 Escolha do método matemático de solução: após definido o problema,
deve-se escolher um método matemático adequado para a solução do
modelo. A escolha do método deve ser baseada tendo em vista o tipo
de modelo matemático criado e as análises e questões para as quais o
modelo deve fornecer subsídios.
 Aplicação do método de solução: consiste em um exercício matemático
que pode ser realizado manualmente ou por computador, porém, é
necessário um conhecimento de algoritmo, indiferentemente da opção
escolhida.
 Avaliação da solução: após alcançar a solução, deve-se verificá-la e
avaliá-la à luz das expectativas e experiências do administrador antes
de efetivamente implementá-la.

Aplicações de modelos matemáticos

para resolver problemas reais
Atualmente, a principal utilização dos modelos matemáticos é como fer-
ramenta nos processos de tomada de decisão. No ambiente empresarial e
nos negócios (tanto no setor privado quanto no setor público), os modelos
matemáticos podem ser utilizados em: otimização de recursos; roteirização;
localização; carteiras de investimento; alocação de pessoas; previsão de pla-
nejamento; alocação de verbas de mídia; determinação de mix de produtos;
escalonamento e planejamento da produção; planejamento financeiro; análise
de projetos; entre outros.
10 Técnicas de modelagem: modelos de programação matemática

A modelagem matemática pode ser aplicada em indústrias de diferentes segmentos,

como, por exemplo: indústria de petróleo (extração, refinamento, mistura e distribuição);
indústria de alimentos, como a ração animal (problema da mistura); planejamento da
produção (dimensionamento de lotes – o que, quando e quanto produzir); indústria
siderúrgica (ligas metálicas – problema da mistura); indústria de papel (otimização
do processo de cortagem de bobinas); indústrias de móveis (otimização do processo
de cortagem de placas retangulares); aplicações financeiras (otimização do fluxo de
caixa, análise de carteiras de investimento).

Com o intuito de facilitar o entendimento, são apresentados, a seguir, dois

exemplos práticos do uso de modelos de simulação e otimização.

Exemplo prático de modelo de simulação

Andrade (2009) apresenta um exemplo prático do uso de um modelo ma-
temático de simulação. Imagine que uma indústria de queijo vende apenas
um único tipo de queijo e necessita simular o lucro fi nal que poderia obter
a partir de várias hipóteses de preço. Nesse caso, visa-se relacionar o preço
ao lucro obtido, sendo necessário examinar a relação entre preço e receita,
considerando-se que o produto apresenta determinada elasticidade, ou
seja, o preço e a demanda variam em relação inversa. Consequentemente,
a receita também varia em função do preço, mas em uma relação não
diretamente proporcional.
Para a construção do modelo, podem ser definidas as seguintes variáveis:

 Preço: é o preço de venda de um queijo.

 Quantidade: é a quantidade de queijo vendida em um mês.
 Receita: é a receita total obtida com a venda do produto.
 Lucro: lucro líquido obtido no mês.

Como o proprietário do estabelecimento conhece o mercado, ele estima

que a relação pode ser representada de acordo com a Figura 4.
 Técnicas de modelagem: modelos de programação matemática 11

Figura 4. Função da demanda do produto.

Fonte: Andrade (2009, p. 17).

Com base na relação “preço x demanda” e na função de demanda apresen-

tada na Figura 4, pode-se montar o modelo que simula o valor Lucro em função
do Preço estabelecido pelo empresário, sendo a função escrita como:/lucro

Quantidade = 1000 – 10 × PREÇO

Receita = quantidade × PREÇO
Lucro = Receita - custo

Ao variar o preço do produto, podem ser verificadas as variações no lucro

da empresa. À medida que ocorre a variação do preço do produto, são obtidos
vários valores para a variável de decisão lucro.

Exemplo prático de modelo de otimização

Tomando como exemplo o mesmo problema do modelo de simulação, agora,
visa-se estudar a política de estocagem de modo a otimizar sua operação,
reduzindo eventuais custos. Após ser realizado um levantamento, verificou-se
que o custo anual para manter os queijos em estoque é de R$ 50,00, sendo
contabilizado, nesse valor, o capital investido, o custo das instalações, refrige-
ração, limpeza e seguro, durante um ano, e dividindo-se pelo número estimado
de queijos que irão compor o estoque no mesmo período (um ano). Para isso,
vamos considerar que esse número seja constante e igual a 1.000 por ano.
Considere que o suprimento do produto seja feito em quantidades constantes
a intervalos regulares e que a colocação de cada encomenda tem um custo fixo
de R$ 1,000,00. Dessa forma, o objetivo é descobrir a quantidade de mercadoria
que deve ser encomendada de cada vez, de modo a minimizar o custo total
12 Técnicas de modelagem: modelos de programação matemática

de operação de estoque. Como única restrição do problema, suponha que o

fornecedor poderá entregar no máximo 200 unidades do produto por vez.
As seguintes variáveis para o modelo do problema são definidas:

 A = quantidade anual do produto que a empresa comercializa;

 S = custo de manutenção do estoque, por unidade, por ano;
 P = custo fixo de colocação da encomenda, por pedido;
 Q = quantidade ordenada ao atacadista para suprimento.

Para esse problema, a montagem do modelo se resume a escrever mate-

maticamente a função objetivo, a qual pode ser escrita como:

Custo Total (CT) = custo de manutenção do estoque + custo de colocação

da encomenda

Sendo que:

Custo de manutenção do estoque = nível médio x custo unitário de

manutenção
Custo de colocação da encomenda = nº de pedidos x custo de co-
locação do pedido

Dessa forma, o modelo do problema é:

Minimizar: CT = (Q/2) ∙ S +(A/Q) ∙ P; sendo que a restrição é Q ≤ 200.

Assim, pode-se resolver o problema derivando a função (CT) com relação

à variável de decisão Q e igualando o resultado a zero:

d(CT)/dQ = S/2 – (A∙P/Q2) = 0

Logo, Q* = √2 ∙ A ∙ P/S; sendo Q* a quantidade a encomendar para mínimo

custo anual total. Ao utilizarmos os dados do problema, obtemos:

Logo, a encomenda que minimizaria o custo total da operação do estoque

seria Q* = 200 unidades mensais. Porém, como existe a restrição de que o
fornecedor pode entregar no máximo 180 unidades, a encomenda mais eco-
nômica torna-se, obviamente, Q = 180 itens do produto por vez.
 Técnicas de modelagem: modelos de programação matemática
1. Em relação à modelagem
matemática, assinale a
alternativa correta.
a) A modelagem matemática
pode ser utilizada somente
para a área da engenharia.
b) Os modelos de simulação são
os mais utilizados na prática.
c) O modelo matemático é uma
representação simplificada
(abstração) do problema real.
d) Após definir as variáveis de
um problema matemático,
o mesmo está concluído.
e) O primeiro passo de um
problema matemático é
encontrar a função objetivo.
2. A programação linear, discreta,
não linear e fluxos em redes
são exemplos de qual tipo
de modelo matemático?
a) Modelos prescritivos.
b) Modelos preditivos.
c) Modelos descritivos.
d) Modelos estocásticos.
e) Modelos determinísticos.
3. Suponha que uma empresa de
brinquedos produza quatro modelos
diferentes de brinquedos. Cada
um deles gera uma quantidade de
lucro diferente ao ser vendida.
I. O brinquedo 1 gera
R$ 10,00 de lucro.
II. O brinquedo 2 gera
R$ 8,00 de lucro.
III. O brinquedo 3 gera
R$ 9,00 de lucro.
13
IV. O brinquedo 4 gera
R$ 7,00 de lucro.
A função que determina
o lucro da empresa é:
a) Z = 10×1 - 8×2 - 9×3 - 7×4
b) Z = 10×1 + 8×2 + 9×3 + 7×4
c) Z = 10×1 ∙ 8×2 ∙ 9×3 ∙ 7×4
d) Z = 8×1 + 9×2 + 10×3 + 7×4
e) Z = 10×1 + (8×2 - 9×3 - 7×4)
4. Após ter um enorme prejuízo, a
diretoria de uma determinada
empresa se reuniu para discutir
o que poderá ocorrer com a
empresa se essa tendência
continuar. A diretoria deverá optar
por qual modelo matemático?
a) Modelo descritivo.
b) Modelo preditivo.
c) Modelo prescritivo.
d) Modelo de programação
matemática.
e) Modelo estocástico.
5. Existem diferentes etapas para
a solução de problema usando
a modelagem matemática. A
alternativa que apresenta a
relação/ordem correta é:
a) Dedução, formulação,
interpretação e julgamento.
b) Dedução, formulação,
julgamento e interpretação.
c) Formulação, dedução,
interpretação e julgamento.
d) Formulação, dedução,
julgamento e interpretação.
e) Interpretação, formulação,
dedução e julgamento.
14 Técnicas de modelagem: modelos de programação matemática

ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para análise

de decisões. 4. ed. Rio de Janeiro: LTC, 2009.
ARENALES, M. et al. Pesquisa operacional para cursos de engenharia. 2. ed. Rio de
Janeiro: Campus, 2015.
BATALHA, M. O. (Org.). Introdução à engenharia de produção. Rio de Janeiro: Elsevier,
2008.
BELFIORE, P.; FÁVERO, L. P. Pesquisa operacional para cursos de engenharia. Rio de
Janeiro: Campus, 2012.

Leituras recomendadas
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. 5. ed. Rio de Janeiro:
LTC, 2016.
LOESCH, C.; HEIN, N. Pesquisa Operacional: fundamentos e modelos. São Paulo: Sa-
raiva, 2009.
PERIN FILHO, C. Introdução à Simulação de Sistemas. Campinas: Unicamp, 1995.
 Encerra aqui o trecho do livro disponibilizado para
esta Unidade de Aprendizagem. Na Biblioteca Virtual
da Instituição, você encontra a obra na íntegra.
Conteúdo: