Você está na página 1de 100

Métodos de Análise

de Decisão

Fernando Nogueira
08/2010
1
Otimização
Programação Linear
Programação Linear Inteira
Programação Não-Linear

Análise de Decisão
Sem Experimentação
Com Experimentação

2
Histórico
Antes de 1940:
Aplicações dos métodos do Gradiente e Newton
(poucas variáveis) em áreas específicas;
elevados custos de computação; ênfase na
obtenção de uma solução factível.

1947-1949:
Introdução da Programação Linear (Dantiz,
Kantorovich) e do Método Simplex (Dantzig).
Modelagem e solução de problemas complexos
de decisão no contexto da Programação Linear.
3
1951-1959:
Condições gerais de otimilidade (Karush-Kuhn-
Tucker);
Introdução dos Métodos de Métrica Variável
(Davidon), dando origem à Programação Não-
Linear.

Atualmente:
Métodos de Pontos Interiores, Processamento
Paralelo, Inteligência Artificial, Algoritmos
Evolutivos, ...
4
Definição

Otimização é uma técnica de busca


de solução ótima de um problema
ou processo, o qual é geralmente
representado por uma ou mais
funções objetivo sujeitas (ou não) a
restrições.

5
Fases de um Processo de Otimização

Problema
ou Modelo
Otimização Solução
Processo
Ótima

Maior dificuldade em um processo de


Otimização  modelagem.

6
Modelo deve descrever a realidade física do
problema/processo a ser otimizado.

Exemplo:
Qual é o modelo que descreve fielmente o
custo envolvido em estocar um produto ?

7
Infelizmente NÃO existe “receita milagrosa”
para escrever o modelo.

Modelo é uma aproximação da realidade


física!

8
“Receita” para modelar Função
Objetivo:

1) definir variáveis relevantes ao problema


a ser otimizado.

2) determinar como as variáveis se


relacionam.

9
Exemplo:

Variáveis envolvidas no custo total de um


estoque:

 Custo 
   Custo   Custo   Custo   Custo 
Min  Total             
 Estoque   Compra   Setup   Armazenagem   Falta 
 

10
Modelo deve ser escrito por um especialista
em sua respectiva área de atuação, pois é
somente este profissional que conhece as
variáveis relevantes e como estas se
relacionam.

Em muitos casos é preferível utilizar um


modelo mais simples (que apenas aproxima
“mais ou menos” a realidade física) de que
um modelo (“quase perfeito”). Porque?
11
Modelos “complexos” geralmente dificultam
o processo de otimização devido a algumas
fragilidades dos Métodos de Otimização.

Para projetar uma boa Função Objetivo


devemos então conhecer:
1) as variáveis relevantes
2) como estas se relacionam
3) os Métodos de Otimização.

12
Todo Método de Otimização “tenta”
maximizar ou minimizar uma (ou mais)
Função Objetivo  encontrar os valores da
variáveis da Função Objetivo que resultam
no máximo ou no mínimo desta.

13
Função Objetivo que sempre queremos
maximizar:
lucro
usto

x
14
Função Objetivo que sempre queremos
minimizar:
custo

x
15
Máximos e Mínimos da Função Objetivo são
chamados de Extremos.

As variáveis são chamadas de Variáveis de


Controle.

16
17
Os modelos empregados em Otimização
podem ser classificados em relação ao
princípio de busca empregado em:
Modelos Lineares
Modelos Não-Lineares

18
Modelos Lineares de Otimização –
Programação Linear

Função objetivo é linear em relação as


variáveis de controle x1, x2,...,xn, e o
domínio destas variáveis é injuncionado por
um sistema de inequações lineares.

19
Exemplo 1
Uma industria produz 2 produtos, I e II, sendo que cada produto
consome um certo número de horas em 3 máquinas A, B e C para
ser produzido, conforme a tabela:
Produto Tempo Máquina A Tempo Máquina B Tempo Máquina C

I 2 1 4
II 2 2 2

O tempo de funcionamento máximo semanal das máquinas é:


Máquina Horas máximas por semana
A 160
B 120
C 280

O lucro obtido por cada produto I é $1,00 e por cada produto II é


$1,50.
Quanto fabricar de cada produto de modo que seja obedecida a
capacidade operativa das máquinas com o maior lucro possível ?
20
Modelagem Matemática

 x1 a quantidade do produto I a ser fabricada


 x2 a quantidade do produto II a ser fabricada

Função Objetivo Em notação matricial


Max lucro x 1 , x 2   Z  x 1  1.5x 2
Função Objetivo
x 
Restrições Z  c x  Z  1 1.5.  1

x 
1 1 1 2 2 1

2x  2 x  160 Máquina A 2


1 2

x  2 x  120 Máquina B Restrições
1 2
  2 2 160 
4x  2 x  280 Máquina C x  
A x  b  1 2.   120 
 
1 2

x , x  0
1

Prod. não 3 2 2 1 3
x 
1

1 2

negativa 4 2 280


2

21
Exemplo 2 – Problema de Transporte

Uma companhia enlata ervilhas nas suas unidades “Cannery1,


Cannery2, Cannery3” e transporta as latas de ervilha por
caminhão para os seus estoques “Warehouse1, Warehouse2,
Warehouse3, Warehouse4”.
Quanto transportar, a partir de cada unidade produtora ( Cannery)
a fim de abastecer cada estoque (Warehouse), com custo de
transporte mínimo (Hillier & Lieberman, 2002) ?

22
23
24
Função Objetivo

Z  464 x 11  513x 12  654x 13  867 x 14


 352x 21  416x 22  690x 23  791x 24
 995x 31  682x 32  388x 33  685x 34

Z = custo total de transporte

25
Restrições

x11  x12  x13  x14  75


x 21  x 22  x 23  x 24  125
x 31  x 32  x 33  x 34  100
x11  x 21  x 31  80
x12  x 22  x 32  65
x13  x 23  x 33  70
x14  x 24  x 34  85
x ij  0  i  1,2,3; j  1,2,3,4

26
Forma Generalizada para Problema de
Transporte
m n
min Z   cij x ij
i 1 j1

Sujeito a:
n

x
j1
ij  si disponibilidade

x
i 1
ij  dj demanda

x ij  0  i  1,..., m; j  1,...n 
27
Forma Generalizada para Problema de
Programação Linear
Max ou Min
z  f  x 1 , x 2 ,..., x n   c1 x 1  c 2 x 2  ...  c n x n
Sujeito a:
a 11 x 1  a 12 x 2  ...  a 1n x n , ,  b1
a x  a x  ...  a x , ,  b
 21 1 22 2 2n n 2

....
a m1 x 1  a m 2 x 2  ...  a mn x n , ,  b m

xj  0
28
Forma Generalizada para Problema de
Programação Linear (“Elegante”)

Max ou Min
n
z  f  x 1 , x 2 ,..., x n    c j x j
j1

Sujeito a:
n

a
j1
ij .x j , , , ,  b i

xj  0

29
Interpretação Geométrica
Max lucro x1 , x 2   Z  x1  1.5x 2

Sujeito a:
2 x1  2 x 2  160
x  2 x  120
 1 2

4 x1  2 x 2  280
x1 , x 2  0

30
31
Teorema Fundamental da
Programação Linear

Uma vez que todas as equações


e/ou inequações envolvidas são
lineares, o valor ótimo da função-
objetivo Z só pode ocorrer em um
dos vértices da região das
restrições.

32
Métodos de solução para problemas de
Programação Linear

Método Simplex. Dantzig, 1948.

Método do Ponto Interior. Karmarkar, 1984

33
Modelos Lineares de Otimização com Solução
Inteira – Programação Linear Inteira

A Programação Inteira pode ser entendida como uma caso


específico da Programação Linear, onde as variáveis devem ser
inteiras (ou ao menos, parte destas variáveis).
A rigor, o nome mais correto para a Programação Inteira é
Programação Linear Inteira.
Quando todas as variáveis devam possuir valores inteiros, o
modelo é denominado de um problema de Programação Inteira
Pura, caso contrário, é denominado de um problema de
Programação Inteira Mista.

34
Modelo Formal
n
Max (ou Min ) c x
j1
j j

sujeito a
n

a x
j1
ij j  bi para i  1,2,..., m

xj Z para j  1,2,..., p   n 
xj  0 para j  p  1,..., n

35
Exemplos de Aplicações:
1) Utilização de Equipamentos  xj representa a
quantidade de equipamentos. Por exemplo, xj = 2.33
navios petroleiros pode não ter significado prático.
2) Tamanhos de Lotes  Em algumas situações de
planejamento de produção, faz-se necessário que xj
= 0 ou xj > Lj, onde xj representa a quantidade de
produtos produzidos e Lj uma quantidade mínima de
produtos xj para compor um lote. Esta situação é um
exemplo de restrição “ou-ou” (ou faz um mínimo ou
não faz nada).

36
3) Decisões “Sim-ou-Não”  xj = 1 ou xj = 0
representando decisões sim ou não (também uma
situação de “ou-ou”). Por exemplo, xj = 1 representa
construir uma nova fábrica.

4) Otimização Combinatória  lida com problemas de


decisão de seqüências, programas e itinerários.
Exemplos clássicos são:
-Problema do Caixeiro Viajante  Para n cidades,
existem (n-1)! diferentes percursos (ex: n = 50,
6x1062 percursos diferentes).
-Problema de Programação de Máquinas  Para n
itens a serem fabricados em cada uma de k máquinas
existem (n!)k seqüências possíveis (ex: n = k = 10,
4x1065 seqüências diferentes). 37
Problemas de Programação Inteira (conjunto solução
discreto) são geralmente muito mais difíceis de serem
resolvidos quando comparados aos Problemas de
Programação Linear ordinários (conjunto solução
contínuo).
Max 21x1  11x 2
sujeito a
7 x1  4 x 2  13

x1 , x 2  0  Z

A solução ótima é x1 = 0 e x2 = 3 (o que pode ser


verificado por enumeração exaustiva).

38
Uma maneira de resolver este exemplo seria, por exemplo,
desconsiderar a restrição das variáveis serem inteiras e resolver
utilizando o algoritmo Simplex normalmente. A solução ótima
neste caso é x1 = 13/7 e x2 = 0. A solução arredondada é x1 = 2 e
x2 = 0, que é inviável.

A solução arredondada “para baixo” é x 1 = 1 e x2 = 0, que é


viável, porém longe de ser a ótima.

A regra de arredondar a solução não funciona muito bem, e


portanto, não é um procedimento robusto para solucionar
problemas de Programação Inteira.

A abordagem mais amplamente adotada para resolver problemas


de Programação Inteira utiliza um método de busca em árvore,
também referido como um Algoritmo de Retrocesso
(Backtracking) denominado Branch-Bound (Ramifica-e-Limita).
39
Modelos Não Lineares de Otimização –
Programação Não-Linear

Função objetivo não-linear ou


restrições não-lineares ou
ambos

40
Exemplo 2 – Problema de Localização

Uma companhia que enlata ervilhas nas suas


unidades “Cannery1, Cannery2, Cannery3”, cujas
localizações são conhecidas, deseja instalar 4
estoques em locais a serem definidos. O
problema consiste em determinar a localização
ótima para instalar os estoques de tal maneira
que o custo de transporte total envolvido seja
mínimo.

41
42
Distâncias entre as unidades produtoras e
os estoques não são conhecidas.

c ij  a i  a j   bi  b j 
2 2

(ai,bi) são as coordenadas da localização da


unidade produtora i (conhecida); e

(aj,bj) são as coordenadas da localização do


estoque j (incógnita).
43
Modelo

a  a j    a i  a j   x ij
m n
Z   
2 2
min
i 1 j1  
i

Sujeito a:
n

x
j1
ij  si disponibilidade

x
i 1
ij  dj demanda

x ij  0  i  1,..., m; j  1,...n 

44
Interpretação Geométrica
Max lucro x 1 , x 2   Z  x 1  x 2
2 2

Sujeito a:
2 x1  2 x 2  160
x  2 x  120
 1 2

4 x1  2 x 2  280
x1 , x 2  0

45
Problema de Transporte
Transport Problem

46
Rede Equilibrada

47
Problema de Designação
Assignment Problem

Caso específico de um Problema de Transporte

ofertas = demandas = 1

Objetivo
Designar cada uma das origens a cada um dos
destinos, de maneira ótima.

48
Exemplos:

1)Designar pessoas para tarefas (ex.:


escalar vendedores para regiões de
vendas).

2) Designar máquinas para localizações.

3) Designar produtos para fábricas


(plantas).
49
Considerações:

O número de origens e o número de destinos são


os mesmos (n).

Cada origem deve ser designada para


exatamente um destino.

Cada destino deve ser designado para


exatamente uma origem.

Há um custo cij associado em designar a origem i


(i = 1,2,...,n) para o destino j (j = 1,2,...,n).
50
51
n n
min Z   c ij x ij
i 1 j1

Sujeito a:
n

x
j1
ij 1 disponibilidade

x
i 1
ij 1 demanda

x ij  0  i  1,..., n; j  1,...n 

52
Problema de Caminho Mais Curto
The Shortest-Path Problem

Consiste em encontrar o menor caminho em


uma rede entre uma origem e um destino.

Rede é modelada por um grafo conectado e


não direcionado.

Localidades são denominadas Nós e os


caminhos entre duas localidades são
denominados Arcos. 53
Exemplo: Encontrar o caminho mais curto da origem O
para o destino T da Rede.

54
A modelagem deste problema como um
problema de Programação Linear é:
m n
min Z   c ij x ij
i 1 j1

Sujeito a:
1 i  origem
n n

 x ij   x ji  0 i  origem ou destino
j1 j1  1 i  destino

0  x ij  
55
Problema de Fluxo Máximo
The Maximum Flow Problem

Considere uma rede direcionada (dígrafo)


conectada, com 2 nós especiais
denominados Origem e Destino e ainda,
associado a cada arco, uma distância não-
negativa. O objetivo é encontrar o caminho
que maximiza o fluxo entre a Origem e o
Destino.

56
Exemplos de Aplicações:
1)Maximizar o fluxo de uma rede de
distribuição (suprimentos) de uma
companhia a partir de suas fábricas
(fornecedores) para os seus (suas) clientes
(fábricas).
2)Maximizar o fluxo de óleo (água) através
de um sistema de oleodutos (aquedutos).
3)Maximizar o fluxo de veículos através de
uma rede de transporte.
57
Exemplo
Maximizar o número de caminhões para a rede de O para T, onde
os valores dos arcos representam o fluxo máximo de cada arco.

58
Existem algumas “versões” do Algoritmo do Caminho de Aumento. A
mais conhecida é o Algoritmo de Ford-Fulkerson.

59
A modelagem deste problema como um problema de
Programação Linear é:
max Z  x DO
Sujeito a:
n n

x  x
j1
ij
j1
ji 0

0  x ij  u ij para cada arco (i,j)

xDO representa o fluxo do destino para a origem;


xij representa o fluxo no arco (i,j);
uij representa a capacidade máxima no arco
60
(i,j);
61
Problema de Fluxo de Custo Mínimo
The Minimum Cost Flow Problem

Este problema possui papel principal entre os


modelos de otimização em redes, uma vez que
este engloba uma enorme quantidade de
aplicações e pode ser resolvido de maneira
extremamente eficiente.

62
Algumas Considerações
1. A rede é representada por um Dígrafo
(orientada) e conectada.
2. No mínimo um dos nós é um “nó de
fornecimento” (origem).
3. No mínimo um dos nós é um “nó de
demanda” (destino).
4. Todos os nós restantes são “nós
Transshipment” (entreposto, intermediário).

63
5. A rede possui arcos, tanto quanto forem
necessários, com capacidade suficiente para
habilitar todos os fluxos gerados nos nós de
fornecimento para alcançar os nós de
demanda.
6. O custo do fluxo através de cada arco é
proporcional a quantidade daquele fluxo, onde
o custo por unidade de fluxo é conhecido.
7. O objetivo é minimizar o custo total de enviar
o fornecimento disponível através da rede para
satisfazer a demanda dada (um objetivo
alternativo é maximizar o lucro total para fazer
isto).
64
Exemplos de Aplicações:
A mais importante aplicação está em
planejar a operação de uma rede de
distribuição de uma companhia. Este tipo de
aplicação envolve determinar um plano para
transportar bens a partir das fontes
(fábricas, etc) para locais de armazenagem
intermediárias (quando necessário) e então
para os clientes (demanda).

65
Tipo de Aplicação Nós de Nós Nós de Demanda
Fornecimento Transshipment

Operação de uma Fontes de bens Locais de Clientes


rede de distribuição armazenagem
intermediárias

Gerenciamento de Fontes de resíduos Instalações de Locais de depósitos


detritos sólidos sólidos processamento de resíduos sólidos

Operações de uma Vendedores Estoques Instalações de


rede de fornecimento intermediários Processamento

Gerenciamento de Fontes de dinheiro Opções de Necessidades de


fluxo de dinheiro em um tempo investimento dinheiro em um
específico tempo específico

Coordenação de Plantas Produção de um Mercado para um


mistura de produtos produto específico produto específico.
em plantas

66
Formulação do Modelo
Considere um Dígrafo conectado, onde nos n nós incluem-se
no mínimo um nó de fornecimento e no mínimo um nó de
demanda. As variáveis de decisão (de controle) são x ij = fluxo
no arco (i,j). As informações necessárias são:

cij = custo por unidade de fluxo no arco (i,j)


uij = capacidade de fluxo no arco (i,j) bi > 0 se o nó i é um

nó de fornecimento
bi = fluxo na rede gerado no nó i  bi < 0 se o nó i é um
nó de demanda
bi = 0 se o nó i é
67
A função-objetivo é: n
 j x ij  fluxo sai nó i
 1
Minimizar n
n n   x  fluxo chega nó i
ji
Z    c ij x ij  j1
i 1 j1

n n
Sujeito a  x   x  b para cada nó i
ij ji i
j1 j1

e 0  x ij  u ij para cada arco (i,j)

68
Exemplo
Rede de distribuição de uma companhia, onde os nós A e B são
duas fábricas desta companhia, os nós D e E são dois estoques e
o nó C é um centro de distribuição (transshipment).

69
Problema do Caixeiro Viajante
The Traveling Salesperson Problem
O problema do Caixeiro Viajante consiste em
encontrar o caminho mais curto no qual ele visite
cada cidade apenas uma vez e retorne a sua
cidade de origem.
Em termos mais técnicos, as cidades são os nós
de uma rede e as estradas que ligam as cidades
são os arcos da rede.

70
Exemplo
Um porto carrega navios com 4 tipos de produtos
líquidos através de um único duto. Após o
abastecimento de cada um dos produtos, faz-se
necessário realizar operações de limpeza do duto devido
a problemas de reações químicas, que por sua vez
podem ocasionar corrosões no casco dos navios e no
próprio duto. Após o carregamento de um navio, o
processo se reinicia para outro navio. Os produtos são
denominados W, Y, B e R e a tabela abaixo resume o
tempo gasto na operação de limpeza do duto entre dois
produtos. Uma vez que não faz sentido carregar o
mesmo produto duas vezes no mesmo navio, os tempos
gastos para a limpeza entre dois produtos iguais são
infinitos.
71
72
Próximo produto a ser carregado

Produto carregado W Y B R

W  10 17 15

Y 20  19 18

B 50 44  25

R 45 40 20 

73
A modelagem deste problema como um
problema de Programação Linear Inteira é:
n n
min Z   c ij x ij , c ij   para i  j
i 1 j1

sujeito a:
n

x
j1
ij 1 i  1,2,..., n

x
i 1
ij 1 j  1,2,..., n

u i  u j  nx ij  n  1, i  2,3,..., n; j  2,3,..., n; i j

x ij   0,1  i  1,..., n; j  1,...n 

74
cij representa a distância (custo) entre os nós i e j;

xij representa o fluxo entre os nós i e j;

Z é a distância (custo) total; e

n é o número de cidades.

75
76
77
78
Problema de Mix de Produção
Problemas de mix de produção, isto é, fabricação de
diversos produtos, aparecem em diversas situações reais
e envolvem decidir quais produtos e quanto fabricar de
cada produto em um período. Tendo em vista a
capacidade limitada de produção (máquinas, recursos
humanos, capital, armazenagem,...) e os diversos
produtos que a empresa pode fabricar e vender, deseja-
se determinar quanto fabricar de cada produto, de modo
a maximizar o lucro da empresa.

79
A modelagem deste problema como um
problema de Programação Linear é:
n
max Z   L x j j
j1

Sujeito a:
n

a x
j1
ij j  Qi i  1,2,..., m

dj  xj  vj j  1,2,..., n
onde:
Lj é o lucro unitário que o produto j fornece;
xj é a quantidade produzida do produto j;
aij é a quantidade do recurso i consumida para ser produzido o produto j;
Qi é a quantidade de recurso i disponível;
dj é a quantidade mínima que deve ser produzida do produto j;
vj é a quantidade máxima que pode ser produzida do produto j;
Z é o lucro total;
m é o número de recursos disponíveis; e
n é o número de produtos.
80
Análise de Decisão

81
Introdução
A Análise de Decisão envolve o uso de processos racionais para selecionar a melhor
alternativa dentre um conjunto de alternativas possíveis. Os processos de tomada de
decisão podem ser divididos em duas principais categorias:
 Tomada de Decisão Sem Experimentação
 Tomada de Decisão Com Experimentação
Exemplos de situações nas quais faz-se necessário tomar alguma decisão:
• Uma industria lança um novo produto no mercado. Qual será a reação dos clientes
potenciais ? Quanto deveria ser produzido ? A aceitação do produto por parte do
mercado deveria ser testada em uma pequena região antes de decidir sobre a
distribuição total do produto ? Quanto deve-se investir em publicidade para lançar o
produto ?
• Uma concorrência pública será aberta. Qual será o custo do projeto ? Quais as
potencias companhias que poderiam concorrer ?
• Uma firma agrícola necessita planejar para o próximo ano o uso de suas terras.
Quantos hectares devem ser destinados a pastagens para criação de gado e quantos
hectares devem ser destinados ao plantio de milho e soja ?
82
Exemplo Protótipo:
A companhia GoferBroke possui terras que podem ter petróleo. Um levantamento
geofísico determinou que existe 1 chance em 4 de realmente existir petróleo nestas
terras. Por causa desta informação, outra companhia petrolífera quer comprar estas
terras por $90.000,00. Entretanto, a GoferBroke sabe que o custo para perfurar um
poço naquela região é $100.000,00. Se for encontrado petróleo, o retorno esperado
deverá ser de $800.000,00. Descontando o custo da perfuração, o lucro então será de
$700.000,00.

Qual a decisão que a companhia GoferBroke deve tomar: 1) vender a terra e ganhar
$90.000,00 sem riscos ou 2) perfurar o poço a um custo de $100.000,00 e obter um
retorno de $800.000,00, resultando em lucro de $700.000,00 com um risco estimado
em 75% (3 em 4) ?
83
Tomada de Decisão Sem Experimentação
Por Tomada de Decisão Sem Experimentação, entende-se que é de conhecimento
apenas as Probabilidades à Priori e os Estados da Natureza. Neste tipo de tomada de
decisão pode-se utilizar, entre outros, três critérios:
1)Critério de Maximin Payoff
Para cada ação (estratégia), encontrar o mínimo payoff entre todos os Estados da
Natureza e então encontrar o máximo destes payoff mínimos. Escolher a ação cujo
mínimo payoff resultou neste máximo.

Segundo este critério, a decisão a ser tomada é vender a terra.

84
2) Critério de Máxima Verossimilhança
Identificar o Estado da Natureza mais provável (o com maior probabilidade). Para este
Estado da Natureza, encontrar a ação com máximo payoff. Escolher esta ação.

Segundo este critério, a decisão a ser tomada é vender a terra.


3) Critério da Regra de Bayes
Usando a melhor estimativa das probabilidades dos respectivos Estados da Natureza (as
Probabilidades à Priori), calcular o valor esperado de payoff para cada alternativa
possível. Escolher a alternativa com máximo payoff esperado.
E Payoff  Perfurar    0.25 * 700.000,00  0.75 *   100.000,00  100.000,00
E Payoff  Vender Terra    0.25 * 90.000,00  0.75 *  90.000,00  90.000,00
Segundo este critério, a decisão a ser tomada é perfurar o poço.
Vantagem deste critério é que este incorpora todas as informações disponíveis.
85
Análise de Sensibilidade para o Critério da Regra de Bayes
E Payoff  Perfurar   700p  1001  p   800p  100 E Payoff  Perfurar   E Payoff  Vender Terra   
190
E Payoff  Vender Terra    90p  901  p   90 800p  100  90  p   0.2375
800
Analise de Sensibilidade para o exemplo GoferBroke
700

600

500
Região onde Região onde
a decisão deveria a decisão deveria
ser vender a terra ser perfurar o poço
400
Payoff E sperado

300

200

100

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Probabilidade a Priori para Poço com Petroleo

86
Tomada de Decisão Com Experimentação
A companhia GoferBroke pode realizar um levantamento geofísico mais detalhado das suas
terras para obter uma melhor estimativa da probabilidade de encontrar petróleo. O custo deste
levantamento é $30.000,00. As possibilidades de encontrar petróleo podem ser divididas em duas
categorias:
 USS: Sondagem Sísmica Desfavorável  petróleo na região é pouco provável; e
 FSS: Sondagem Sísmica Favorável  petróleo na região é bastante provável.

Probabilidades Condicionais
P USS Estado  petróleo  0.4 P FSS Estado  petróleo  1  0.4  0.6
P USS Estado  poço sec o   0.8 P FSS Estado  poço sec o   1  0.8  0.2
P Estado  estado i, Constatação j
P Estado  estado i Constatação  constatação j 
P Constatação  constatação j
n
P Constataçã o  constataçã o j   P Estado  estado k, Constataçã o  constataçã o j
k 1

Probabilidade Conjunta
P Estado  estado i, Constatação  constatação j  P Constatação  constatação j Estado  estado i .P Estado  estado i 

Teorema de Bayes (Probabilidades a Posteriori)


P Constatação  constatação j Estado  estado i .P Estado  estado i 
P Estado  estado i Constatação  constatação j  n

 P Constatação  constatação
k 1
j Estado  estado k .P Estado  estado k 

87
P Estado  petroleo Constatação  USS  P Estado  poço sec o Constatação  USS   1 
0.4(0.25) 1 1 6
 
0.4(0.25)  0.8(0.75) 7 7 7

P  Estado  petroleo Constatação  FSS  P Estado  poço sec o Constatação  FSS  1 


0.6(0.25) 1 1 1
 
0.6(0.25)  0.2(0.75) 2 2 2


E Payoff  Perfurar Constatação  USS   17  700  76   100  30  15.7 EPayoff  Vender Constatação  USS  17  90  76  90  30  60
E Payoff  Perfurar Constatação  FSS    700    100  30  270 E Payoff  Vender Constatação  FSS    90   90  30  60
1 1 1 1
2 2 2 2

88
O Valor da Experimentação
Consiste em estimar o valor potencial da experimentação
Valor Esperado da Informação Perfeita  Limite superior para o valor potencial do
experimento Payoff Esperado com Informação Perfeita
EVWPI  0.25(700)  0.75(90)  242.5
Valor Esperado Sem Experimentação
EVPI  EVWPI  EVWOE
EVPI  242.5  100  142.5
142.5  30  Fazer Levantamento

Valor Esperado da Experimentação  Potencial benefício da experimentação


EVE  Payoff Esperado Com Experimentaçao  Payoff Esperado Sem Experimentaçao
Payoff Esperado Com Experimentaçao   P Constataçã o  constataçã o j.E payoff Constataçã o  constataçã o j
j
n
P Constataçã o  constatação j   P Constataçã o  constatação j Estado  estado k .P Estado  estado k 
P USS  P USS petroleo.P(petroleo)  P USS poço sec o .P(poço sec o)  0.4 * 0.25  0.8 * 0.75  0.7
k 1

P FSS  P FSS petroleo.P(petroleo)  P FSS poço sec o .P(poço sec o)  0.6 * 0.25  0.2 * 0.75  0.3
E  Payoff Constatação  USS  90 E  Payoff Constatação  FSS  300
EVE  153  100  53  30
Payoff Esperado Com Experimentaçao  0.7(90)  0.3(300)  153  Fazer Levantamento

89
Árvore de Decisão
Bifurcação de Decisão
Bifurcação de Chance (Evento Randômico)

90
Teoria da Utilidade
Supondo que seja oferecido a um indivíduo um investimento (jogo, negócio,...) no qual há (1)
uma chance de 50% de ganhar $100.000,00 ou (2) receber $40.000,00 com garantia (chance de
100%). Muitas pessoas devem preferir a opção 2 (receber $40.000,00 com garantia), mesmo
embora o Payoff Esperado de ganhar $100.000,00 em uma chance de 50% é $50.000,00.
Função de Utilidade

3000

2000
atração
ao risco
1000

u(M)
0

-1000 indiferença
ao risco aversão
-2000
ao risco

-3000

-600 -400 -200 0 200 400 600


M

91
PERT/CPM

Program Evaluation and Review


Technique (PERT)
Critical Path Method (CPM)

92
PERT e CPM utilizam principalmente os conceitos de Redes (grafos) para planejar
e visualizar a coordenação das atividades do projeto.
Exemplos de Projetos que podem utilizar PERT/CPM:
1.Construção de uma planta
2.Pesquisa e desenvolvimento de um produto
3.Produção de filmes
4.Construção de navios
5.Instalação de um sistema de informações
6.Condução de campanhas publicitárias, entre outras.

93
Atividades, Atividades Precedentes e Duração Estimada

Atividade Descrição Atividades Duração Estimada


Precedentes (semanas)
A Escavação - 2

B Fundação A 4

C Paredes B 10

D Telhado C 6

E Encanamento Exterior C 4

F Encanamento Interior E 5

G Muros D 7

H Pintura Exterior E,G 9

I Instalação Elétrica C 7

J Divisórias F,I 8

K Piso J 4

L Pintura Interior J 5

M Acabamento Exterior H 2

N Acabamento Interior K,L 6

94
Caminho Crítico = Caminho com maior comprimento
Problema de Caminho Mais Longo (Max)  Problema de Caminho Mais Curto
(Min)
Atividades sobreCaminhos
este Caminho Crítico são Atividades Críticas (Gargalos)
e seus respectivos Comprimentos

Caminho Comprimento (semanas)

Inicio-A-B-C-D-G-H-M-Fim 2 + 4 + 10 + 6 + 7 + 9 + 2 = 40

Inicio-A-B-C-E-H-M-Fim 2 + 4 + 10 + 4 + 9 + 2 = 31

Inicio-A-B-C-E-F-J-K-N-Fim 2 + 4 + 10 + 4 + 5 + 8 + 4 + 6 = 43

Inicio-A-B-C-E-F-J-L-N-Fim 2 + 4 + 10 + 4 + 5 + 8 + 5 + 6 = 44

Inicio-A-B-C-I-J-K-N-Fim 2 + 4 + 10 + 7 + 8 + 4 + 6 = 41

Inicio-A-B-C-I-J-L-N-Fim 2 + 4 + 10 + 7 + 8 + 5 + 6 = 42

95
Programação de Atividades (Scheduling)
determinar em que tempo uma atividade
deve começar e terminar.
Regra do Tempo Inicial Mais Cedo
ESi  max ( EFj ), j  i
j
Regra do Tempo Final Mais Cedo
EFi = ESi + Di

Regra do Tempo Inicial Mais Tarde


LSi = LFi - Di

Regra do Tempo Final Mais Tarde


LFi  min (LSk ), k  i
k

96
Incertezas nas Durações das Atividades - Metodologia PERT
Estimativas PERT
a duração de cada
At o m p Média Variância
ivi atividade é uma
da
de variável randômica
A 1 2 3 2 1/9
com distribuição de
B 2 3.5 8 4 1 probabilidade Beta
C 6 9 18 10 4
D 4 5.5 10 6 1
E 1 4.5 5 4 4/9
F 4 4 10 5 1
G 5 6.5 11 7 1
H 5 8 17 9 4
I 3 7.5 9 7 1
o  4m  p
J 3 9 9 8 1 
6
K 4 4 4 4 0
2
2  po
L 1 5.5 7 5 1
  
M 1 2 3 2 1/9  6 
N 5 5.5 9 6 4/9

97
Considerando que o Caminho Crítico Médio é o:
1.Caminho através da Rede que deveria ser o Caminho Crítico se a duração de
cada atividade fosse a sua duração média
2.As durações das atividades sobre o Caminho Crítico Médio são
estatisticamente independentes
3.A forma da distribuição de probabilidade para a duração total do projeto é
igual à de uma distribuição normal
pode-se calcular a probabilidade de completar o projeto em d unidades de tempo.
Considerando T como a duração do projeto que possui distribuição normal com
média p e p, o número de desvios-padrão pelo que d excede p é:
d p n n
k  p   i  2p    i2
p i 1 i 1
P  T  d   P Z  k    1  P  Z  k  
d  p 47  44
k   1
p 3

P T  d   P Z  k    1  P Z  k    1  0.1587  0.84

98
Balanceando Tempo-Custo (Trade-offs)

Tempos e Custos Normais e Intensificados


Tempo (semanas) Custo ($) Redução Custo Intensificado
Máxima em por semana
Atividade Normal Intensificada Normal Intensificada Tempo reduzida
A 2 1 180.000,00 280.000,00 1 100.000,00
B 4 2 320.000,00 420.000,00 2 50.000,00
C 10 7 620.000,00 860.000,00 3 80.000,00
D 6 4 260.000,00 340.000,00 2 40.000,00
E 4 3 410.000,00 570.000,00 1 160.000,00
F 5 3 180.000,00 260.000,00 2 40.000,00
G 7 4 900.000,00 1.020.000,00 3 40.000,00
H 9 6 200.000,00 380.000,00 3 60.000,00
I 7 5 210.000,00 270.000,00 2 30.000,00
J 8 6 430.000,00 490.000,00 2 30.000,00
K 4 3 160.000,00 200.000,00 1 40.000,00
L 5 3 250.000,00 350.000,00 2 50.000,00
M 2 1 100.000,00 200.000,00 1 100.000,00
N 6 3 330.000,00 510.000,00 3 60.000,00

99
Análise de Custo Marginal

Atividade Custo Comprimento do Caminho (semanas)


Intensificada Intensificado ABCDGHM ABCEHM ABCEFJKN ABCEFJLN ABCIJKN ABCIJLN

40 31 43 44 41 42
J $30.000,00 40 31 42 43 40 41

J $30.000,00 40 31 41 42 39 40

F $40.000,00 40 31 40 41 39 40

F $40.000,00 40 31 39 40 39 40

Custo da
Atividade

Intensificado
Custo
Intensificado

Custo
Normal
Normal

Tempo Tempo Duração da


Intensificado Normal Atividade

100