Investigação Operacional

• Metodologia científica para abordar problemas

das ciências, gestão, economia e engenharia.
• As suas principais características são:
– interdisciplinaridade.
– Manipular modelos matemáticos para apoiar a
tomada de decisão.
– Utilizar o computador.

1
 As 7 etapas do
processo de modelação
1. Definir o problema
2. Observar o sistema e recolher informação
3. Formular um modelo matemático
4. Validar o modelo.
5. Escolher uma decisão com base no modelo
6. Apresentar a análise
7. Implementar e monitorar continuamente
2
 As 7 etapas do processo de
modelação

Observar o Formular Escolher Implementar

Definir o um Validar uma Apresentar
sistema, e monitorar
problema modelo o modelo decisão os
recolher continuamente
matemático alternativa resultados
informação

3
 1. Definir o problema
• Identificar:
– o agente de decisão (quem exerce controle)
– os seus objectivos (e.g. minimizar custos)
– as decisões alternativas com que são confrontados (i.e., as
variáveis controláveis)
– os parâmetros que, não sendo controláveis, influenciam o
resultado das decisões (as variáveis incontroláveis).
• Discutir:
– o tempo disponível para o estudo
– o involvimento do agente de decisão (e organização) no estudo

4
 2. Observar o sistema e
recolher informação
• Estabelecer o diagnóstico inicial:
– observar e analisar a forma como o sistema real opera:
– recolher informação
– conceber um sistema idealizado.
• Elaboração de um relatório que:
– estrutura o conhecimento que se adquiriu do sistema
– co-responsabiliza os elementos da organização

5
 3. Formular um modelo
matemático
• Objectivo:
– Reproduzir as relações entre as componentes do
problema (objectivo, variáveis de decisão, variáveis
incontroláveis, restrições).

• Passos essenciais:
– Identificar a estrutura de relações causa-efeito.
– Quantificar essas relações de forma determinística ou
probabilística.

6
3. Formular um modelo matemático

3.1 Identificar as relações causa-efeito

• Identificação de todas as relações entre variáveis,
controláveis ou não, e a medida (ou medidas) de
utilidade.
“A  B” significa “A contribui para a definição de B”
• Identificação de variáveis auxiliares que agregam
informação de diversas variáveis.
• Obriga a formular as primeiras hipóteses no
sentido da simplificação do problema através da
inclusão de apenas as relações relevantes.

7
3. Formular um modelo matemático

3.1 Identificar as relações causa-efeito

8
3. Formular um modelo matemático

3.2 Quantificar as relações causa-efeito

• Três abordagens distintas:

– método dedutivo
– método de simulação
– método de inferência estatística

9
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método dedutivo (primeiro exemplo)

• A unidade de produção de uma empresa pretende fabricar

os produtos A e B.
• Fabricar cada produto envolve quatro operações, com os
seguintes tempos unitários de fabricação (em segundos)

• Operação: Produto A Produto B

Corte de chapa 10 20
Embutidura 15 5
Soldadura 6 3
Pintura 10 8

10
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método dedutivo (primeiro exemplo)

• As capacidade de produção das diferentes secções fabris são as

seguintes:
Secção: Capacidade
diária
Corte de chapa 30 000
Embutidura 30 000
Soldadura 20 000
Pintura 40 000
• Os lucros unitários por peça produzida e vendida são
Esc. 0.90 (Produto A) Esc. 1.20 (Produto B)
• Admitindo que o mercado absorve toda a produção, como
maximizar o lucro total a operação?
11
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método dedutivo (primeiro exemplo)

12
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método dedutivo (segundo exemplo)

• Uma empresa pretende determinar qual a quantidade (Q) a

produzir e a que preço (p) deve vender uma determinada peça
de vestuário durante a estação de Inverno que se avizinha.
• Obtiveram-se estimativas para a procura (em função do preço
de venda p) e custos unitário de produção (em função da
quantidade produzida Q) - ver próximo slide.
• Se a produção exceder a procura, o valor em excesso fica
reduzido a um preço de saldo.
• O objectivo da empresa é maximizar o lucro associado à
operação.

13
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método dedutivo (segundo exemplo)

14
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de simulação

• Quando não é possível explicitar as relações entre

as componentes do modelo através do método
dedutivo (seja de forma determinística ou
probabilística).

• Quando as relações são de tal forma complexas

que o melhor que analista consegue fazer é imitar
o comportamento do sistema idealizado.

15
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito
Método de simulação (exemplo)
• Uma empresa possui cinco linhas de produção em paralelo que funcionam
sem interrupção.

• Uma equipa de manutenção repara avarias nas linhas de produção pela ordem
em que ocorrem (FIFO). A equipa funciona 5 dias por semana, 3 turnos por
dia.

• O tempo que decorre entre o início de funcionamento de uma linha e a avaria

seguinte varia de forma imprevisível (ou aleatória). Da mesma forma, o
tempo de reparação é varia de forma imprevisível. Ver gráficos seguintes.

• Que benefício advém de ter mais equipas de manutenção?

16
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de simulação (exemplo)

17
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de simulação

• Objectivos:
– Reproduzir a sequência de acontecimentos pelos quais o sistema passa.
– Recolher informação com base na qual se pode medir a eficiência do
sistema.
• Vantagens:
– Possui enorme flexibilidade (“simula-se tudo o que se quiser”)
• Desvantagens:
– Requer grande esforço computacional para estimar o valor esperado da
medida de utilidade face a apenas uma concretização das variáveis de
decisão.
– A busca de melhores decisões é um processo difícil de sistematizar.

18
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de inferência estatística

• Quando não é possível explicitar as relações entre

as componentes do modelo através do método
dedutivo (seja de forma determinística ou
probabilística).

• Quando as relações são inúmeras e complexas mas

é possível pela análise estatística de dados inferir
aquelas que melhor reproduzem o comportamento
do sistema sem demasiada complexidade.
19
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de inferência estatística

(exemplo)
• Em Janeiro, uma empresa importadora pretende prever o
preço de determinada mercadoria agrícola durante todos os
meses que se seguem até Junho.

• A produção dessa mercadoria concentra-se em larga escala

num dado país que contribui contribui com 55% da produção
mundial e 75% da exportação mundial.

• Em Janeiro de cada ano, o MA desse país publica previsões

da oferta e da procura até ao final do ano agrícola (Outubro).

20
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito
Método de inferência estatística
(exemplo)
• Pretende-se construir um modelo descritivo que explique o
preço da mercadoria nos vários meses até Junho para auxiliar o
planeamento da aquisição do referido produto durante o período
de Janeiro a Junho.

• Numerosos e complexos factores (variáveis controláveis e

incontroláveis) contribuem para explicar o preço da mercadoria.
Naturalmente uns são mais relevantes que outros.

• Deve o analista efectuar hipóteses sobre quais os factores que

mais influenciam o preço da mercadoria.

21
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

Método de inferência estatística

(exemplo)

22
 4. Validar o modelo

• Validar o modelo significa averiguar se o

impacto das decisões previsto pelo modelo
corresponde ao impacto real das mesmas
decisões.

23
 4. Validar o modelo
• Objectivo: detectar insuficiências que são apenas
detectáveis no contexto da definição global do modelo.
• Métodos de validação (sem ser exaustivo):
– análise de sensibilidade
– simulação.
• Nota: o modelo pode ser adequado ou inadequado
conforme os valores das variáveis incontroláveis,
estimados ou conhecidos no momento da decisão.

24
 4. Validar o modelo

Análise de sensibilidade
• Averiguar como é que a alteração de valores das
variáveis incontroláveis influencia a solução proposta
pelo modelo.
• Averiguar como é que desvios à solução proposta pelo
modelo influencia a utilidade (eficiência) do sistema
representado.

25
4. Validar o modelo

Análise de sensibilidade

26
4. Validar o modelo

Recurso à simulação
• Retomemos o exemplo da mercearia. Uma forma de
validar o modelo descritivo que se utilizou seria
simular (pode-se simular quase tudo) a entrada de
clientes, os seus tempos de espera e as desistências.
• Após diversas simulações, registar valores médios
de: comprimento médio da fila, tempo de espera
médio e percentagem de desistentes.
• Os valores obtidos devem ser muito semelhantes
aos obtidos com o modelo.

27
 5. Escolher uma decisão
com base no modelo
• Determinar os valores das variáveis controláveis
que, satisfazendo as restrições do modelo,
conduzem ao valor máximo da medida de
utilidade ou eficiência.
• Em geral há três formas de busca de soluções
óptimas:
– métodos analíticos
– métodos de optimização
– métodos heurísticos
28
5. Escolher uma decisão

Métodos analíticos
• Métodos de Análise Infinitésimal
(diferenciação, procura de máximos e
mínimos, extremos condicionados,etc.)
• Permitem obter uma representação explicita
da solução.
• Leque de aplicações muito restrito.

29
5. Escolher uma decisão

Métodos analíticos (exemplo)

• Seja X uma variável aleatória de densidade f(x,), onde  é
um parâmetro desconhecido.
• Se x1, x2,..., xn forem realizações de X então a
verosimelhança da amostra é uma função de  definida por
L() = f(x1, ) f(x2, )... f(xn, )
• A estimativa da máxima verosimelhança é o valor * que
torna máximo o valor de L() ou, de modo equivalente,
o valor máximo de
log L() = log f(x1, ) + log f(x2, )+... + log f(xn, )

30
5. Escolher uma decisão

Métodos analíticos (exemplo)

• A condição necessária de optimalidade impõe
f ( x1 , ) f ( x 2 , ) f ( x n , )
  ...  0
f ( x1 , ) f ( x 2 , ) f ( x n , )
• Por exemplo, se X é uma variável aleatória
com distribuição de Poisson de parâmetro 
então aquela condição é equivalente a
n n
 xi  xi
 n  i 1 0 ou   i 1
 n 31
5. Escolher uma decisão

Métodos de optimização
• Processo sistemático de gerar aproximações
sucessivas para a solução.
• Garantia de convergência ao fim de um número
finito ou infinito de passos.
• Esforço computacional pode ser demasiado elevado.
• Normalmente, convergência para a solução do
problema é assegurada apenas quando o modelo
possui uma propriedade adicional - convexidade.

32
 5. Escolher uma decisão

Métodos de optimização (exemplo)

• Seja f(x) uma função real unidimensional. Pretende-se o
valor x que torna f(x)=0.
• O método de Newton-Raphson consiste no seguinte
processo iterativo
f ( xi )
xi  1  xi  ,i  0,1,2 ,...
f ´( xi )
a partir de um ponto inicial x0.
• Sob hipóteses adicionais sobre f o método converge.
33
5. Escolher uma decisão

Métodos de optimização (exemplo)

x0 =1 x0 =2 x0 =1.5
x1 1.2 1.6806 1.300491
x2 1.143576 1.43074 1.181480
x3 1.134909 1.254971 1.139456
x4 1.134724 1.161538 1.134778
x5 1.134724138 1.136353 1.134724146
x6 1.1347305 1.134724138
x7 1.134724139
x8 1.134724138

Método de Newton-Raphson aplicado à determinação da maior

raiz positiva de f(x)=x6-x-1
34
5. Escolher uma decisão

Métodos de optimização (exemplo)

• O método de Newton-Raphson impõe que f seja
diferenciável.

• Quando f não é diferenciável deve utilizar-se o método

da bissecção, entre outros.

• O facto de o método de Newton-Raphson usar

informação da derivada de f faz com a sua convergência
seja mais rápida.
35
5. Escolher uma decisão

Métodos heurísticos
• São frequentes os problemas que não podem ser
resolvidos por métodos de optimização.
• Os métodos heurísticos são também métodos
iterativos, mas que se baseiam em regras de “senso
comum”.
• Em geral, não é possível garantir convergência para a
solução do problema mas é possível encontrar uma boa
solução rapidamente.

36
5. Escolher uma decisão

Métodos heurísticos (exemplo)

37
5. Escolher uma decisão

Análise crítica das soluções iniciais

• As soluções propostas pelo modelo podem também servir de
instrumento para validação do modelo.
• Esta análise deve ser conduzida com o agente de decisão.
Dificuldade: há que distinguir entre as críticas “genuínas” e a
tendência natural de rejeição de soluções inovadoras.
• Deficiências que podem ser detectadas nesta fase:
– deficiente definição de objectivos
– falta de restrições
– representação inadequada das relações entre componentes do
modelo.

38
 6. Apresentar os resultados
• Os elementos da organização a quem se destina a análise
devem ser envolvidos desde o início e não apenas nesta
fase.
• A esses elementos deve ser facultado um atractivo e
sistema de apoio à decisão e simples de manipular
que lhes permita averiguar o comportamento do modelo
em diversas circunstâncias (“what if ...”).
• Preferencialmente, o benefício da adopção do modelo
deve ser demonstrado de forma prospectiva ou
retrospectiva.

39
 7. Implementar e
monitorar continuamente
• Os elementos da organização que vão utilizar o modelo
devem também ser envolvidos desde o início e não
apenas nesta fase.
• O analista é responsável:
– pela implementação do novo sistema até que este se torne
rotina.
– pela monitorização do sistema de forma que o modelo
permaneça válido e eficaz ao longo do tempo.
• Um caso de sucesso, mesmo que de pequena dimensão,
é chave para a análise de outros problemas.

40