Apostila de Pesquisa Operacional II

Ldia Angulo Meza

Renato Teixeira da Silva
11 de maro de 2008
Sumrio
1 Teoria dos Grafos 1
1.1 Histrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Adjacncia e Incidncia . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Grau de um grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4 Representao de um Grafo . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.5 Alguns Tipos de Grafos mais Utilizados . . . . . . . . . . . . . . . . 6
1.2.6 Percursos em Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 O Problema do Caminho Mnimo . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Algoritmo de Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Algoritmo de Floyd . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 O Problema da rvore Geradora Mnima . . . . . . . . . . . . . . . . . . . 16
1.4.1 Conexidade de um grafo . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2 rvore e rvore Geradora . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.3 Algoritmo de Prim . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.4 Algoritmo de Kruskal . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 O Problema de Fluxo Mximo . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Modelo de Otimizao Linear . . . . . . . . . . . . . . . . . . . . . . 19
1.5.2 Algoritmo de Ford-Fulkerson . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Bibliograa do Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Teoria da Deciso 23
2.1 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Decisor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.2 Analista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.3 Conjunto de Alternativas . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.4 Atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Apoio Multicritrio Deciso . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Tipos de Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 Preferncia do Decisor . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3 Mtodo ou Escolha Justa . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Problema-exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Mtodos Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Mtodo da Dominncia . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Mtodo Conjuntivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Mtodo Lexicogrco . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Mtodos Ordinais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.1 Mtodo de Borda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
i
SUMRIO ii
2.5.2 Mtodo de Condorcet . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.3 Mtodo de Coppeland . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.4 Mtodo das Ponderaes . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Deciso com Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6.1 Problema-exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6.2 Regra Otimista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6.3 Regra Pessimista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.4 Regra de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.5 Regra de Savage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.7 Deciso com Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.8 Bibliograa do Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Captulo 1
Teoria dos Grafos
"A inteligncia o farol que nos guia, mas a vontade que nos faz caminhar."
Annimo
1.1 Histrico
Podemos dizer que o estudo sobre grafos iniciou no sculo XVIII com os estudos de Euler.
Ele formulou no ano de 1736 o primeiro problema do que seria chamada posteriormente
Teoria dos Grafos a partir de uma questo relevante para arquitetura, mais especicamente
ao planejamento urbano. O problema das pontes de Knigsberg (atualmente Kaliningrado)
na Prssia questionava se existia um caminho em que se pudesse cruzar apenas uma vez
cada uma das sete pontes que passam sobre o rio Nagel e ligam duas ilhas centrais, passando
pelas quatro reas e retornando ao ponto ponto de partida.
Figura 1.1: Pontes de Knigsberg e a representao em grafos
Euler construiu um diagrama simplicado onde as ilhas e as margens so representadas
por pontos e as pontes pelas linhas que unem esses pontos. Para chegar a concluso da
no existencia de soluo para esse problema Euler analisou que para cada ponto da cidade
deveria haver uma chegada e uma partida e que elas deveriam ser distintas, pois se deve
cruzar uma ponte uma nica vez, s havendo rota possivel caso o nmero de ligaes recaindo
em cada um dos pontos seja constante, fato que no ocorre neste problema.
Outro problema que faz parte da histria da Teoria dos Grafos o Problema das Quatro
Cores, que buscava determinar o nmero mnimo de cores necessrias para colorir um mapa
de forma a que paises com fronteiras comum tenham cores diferentes. Francis Guthrie, em
1
CAPTULO 1. TEORIA DOS GRAFOS 2
1852, conjecturou que esse nmero mnimo seria 4. A prova dessa conjectura surgiu somente
em 1976 por Appel e Haken.
Em 1856 William R. Hamilton formula um novo problema, o Problema do Ciclo Hamil-
toniano. Ele consiste em buscar um caminho que comece e termine num mesmo vrtice
e passe exatamente uma vez por todos os outros vrtices. Esse problema foi precursor do
Problema do Caixeiro Viajante, muito abordado atualmente.
No sculo XX houve um maior interese sobre o estudo da Teoria dos Grafos desencade-
ando no patamar em que estamos hoje.
1.2 Conceitos Bsicos
1.2.1 Grafo
Um grafo uma noo simples e abstrata utilizada para representar a idia de relao entre
"objetos". Gracamente, representado por uma gura composta de vrtices, representando
os objetos, que esto unidas por um trao denominado aresta, representando a relao
imaginada. Matematicamente, um grafo representado por:
G = (V, A) (1.1)
onde V o conjunto de vrtices e A o conjunto de ligaes entre vrtices.
Grafo No Orientado
Um grafo dito no orientado quando os pares de vrtices no possuem uma ordem, ou
seja, quando o par (i, j) semanticamente igual ao par (j, i), podendo ser expressado como
[i, j] onde i, j V .
Figura 1.2: Exemplo de Grafo no orientado
Na gura 1.2 temos um exemplo de um grafo no orientado que representa uma rede de
computadores em um escritrio. A transmisso de dados se d tanto do computador 1 para
o 5 quanto de 5 para o 1.
Grafo Orientado (ou Dgrafo)
Um grafo dito orientado quando o sentido das ligaes entre os vrtices considerado.
Neste caso denomina-se arco o par ordenado (i, j) sendo i o vrtice inicial e j o vrtice nal,
onde i, j V . Quando estes arcos possuem um valor associado ele ento chamado de rede
orientada.
A gura 1.7 nos mostra um exemplo de rede orientada representado um sistema de
transporte, sendo cada vrtice uma cidade, cada arco uma estrada ligando uma cidade a
outra e o valor associado a cada arco a distncia entre cada cidade.
CAPTULO 1. TEORIA DOS GRAFOS 3
Figura 1.3: Exemplo de Rede Orientada
1.2.2 Adjacncia e Incidncia
Sejam x e y vrtices de um grafo G orientado ou no. Se x e y esto unidos por uma aresta
a, ento x e y so adjacentes. Alem disso, x e y so incidentes em a e a incidente em x e
y.
Quando duas arestas compartem um mesmo vrtice podemos dizer tambm que elas so
adjacentes.
Sejam v e w vrtices de um grafo G orientado. Se v e w esto unidos por um arco e,
ento v e w so adjacentes. Se o arco e comea em v e termina em w ento o arco e
incidente de v e incidente a w.
Figura 1.4: Adjacncia e Incidncia num grafo orientado
1.2.3 Grau de um grafo
Para grafos no orientados
O grau de um vrtice x de um grafo F o nmero de arestas com incidncia em x e
representado por d(x).
Figura 1.5: Grafo no orientado
d(x) = 2, d(y) = 5, d(w) = 4, d(z) = 5
Teorema 1.1. Em qualquer grafo, a soma de todos os graus dos vrtices igual a duas
vezes o nmero de arestas.
No exemplo: d(x) +d(y) +d(w) +d(z) = 2+5+4+5 = 16, ento o grafo tem 8 arestas.
Para grafos orientados
Seja G um grafo orientado o grau exterior de um vrtice x ou d
+
(x) o nmero de todos
os arcos incidentes de x. O grau interior de um vrtice de x ou d

(x) o nmero de todos

os arcos incidentes a x.
CAPTULO 1. TEORIA DOS GRAFOS 4
Figura 1.6: Grafo orientado
d
+
(v) = 3, d

(v) = 1, d
+
(u) = 1, d

(u) = 1, d
+
(w) = 2, d

(w) = 2, d
+
(z) = 0, d

(z) = 2
Teorema 1.2. Em um grafo orientado, a soma de todos os graus exteriores e a soma de
todos os graus interiores igual ao nmero de arcos.
No exemplo: d
+
(v) + d
+
(u) + d
+
(w) + d
+
(z) = 3 + 1 + 2 + 0 = 6 = 1 + 1 + 2 + 2 =
d

(v) +d

(u) +d

(w) +d

(z)
1.2.4 Representao de um Grafo
A representao grca dos vrtices e ligaes pode ser de fcil visualizao, mas no so
computacionalmente viveis. Desta forma, os grafos devem ser representados de forma
matemtica.
Existem vrias formas de representar um grafo. Dentre as quais temos:
Lista de Adjacncias
Uma lista de adjacncia armazena o relacionamento entre os vrtices de um grafo em uma
estrutura de listas. Esse tipo de representao tida como econmica do ponto de vista
computacional.
Figura 1.7: Exemplo de grafo orientado
Vrtices Vrtices
Origem Destino Destino Origem
1 2,3,4 1 -
2 4 2 1
3 - 3 1,4
4 3 4 1,2
Tabela 1.1: Lista de Adjacncias
A tabela 1.1 apresenta a lista de adjacncias do grafo da gura 1.7. Por se tratar de um
grafo orientado, necessrio duas listas de adjacncias: uma de origem-destino e outra de
destino-origem. Caso se tratasse de um grafo no orientado seria necessrio somente a lista
de origem-destino.
CAPTULO 1. TEORIA DOS GRAFOS 5
Matriz de Adjacncias
A matriz de adjacncia mostra o relacionamento entre os vrtices de um grafo. Ela uma
matriz quadrada de tamanho n, onde n o nmero total de vrtices. A matriz de adjacn-
cias construida da seguinte forma:
M =
_
a
ij
= 1 (i, j) A.
a
ij
= 0 (i, j) / A.
(1.2)
A partir do grafo utilizado no exemplo anterior (gura 1.7) foi construida a matriz de
adjacncias a seguir:
M =
_
_
_
_
1 2 3 4
1 0 1 1 1
2 0 0 0 1
3 0 0 0 0
4 0 0 1 0
_
_
_
_
(1.3)
onde as linhas representam o vrtice de origem e as colunas representam o vrtice de destino.
Caso i = j e a
ij
= 1, temos o chamado loop, representado pela gura 1.8.
Figura 1.8: Loop
Para um grafo no orientado o procedimento de construo da matriz de adjacncias
o mesmo e podemos notar que a matriz gerada simtrica.
Figura 1.9: Exemplo de grafo no orientado
M =
_
_
_
_
1 2 3 4
1 0 1 1 0
2 1 0 1 1
3 1 1 0 0
4 0 1 0 0
_
_
_
_
(1.4)
Quando os grafos precisam incluir valores de distncias, de custos ou outros, precisamos
represent-las de forma um pouco diferente. Desta forma temos uma matriz de adjacncias
valorada, que chamada de matriz de distncias ou custos. A construo dessa matriz se
d da seguite forma:
D =
_
_
_
d
ij
= 0 i = j
d
ij
= 1 (i, j) A.
d
ij
= (i, j) / A.
(1.5)
CAPTULO 1. TEORIA DOS GRAFOS 6
Esse tipo de representao ser muito utilizada em todas as prximas sees. Na gura
1.10 encontramos um exemplo de uma rede orientada e a seguir sua matriz de distncias ou
custos.
Figura 1.10: Exemplo de rede orientada
M =
_
_
_
_
1 2 3 4
1 0 5 6 2
2 0 3
3 0
4 5 0
_
_
_
_
(1.6)
1.2.5 Alguns Tipos de Grafos mais Utilizados
Os exemplos aqui citados podem foram extraidos de BOAVENTURA NETTO (2003).
Grafo simtrico
Um grafo G = (N, A) ser simtrico se (i, j) A e somente se (j, i) A, i, j N, assim
a matriz de adjacncia de G ser uma matriz simtrica. Exemplos:
Figura 1.11: Grafos simtricos
Grafo anti-simtrico
Um grafo G = (N, A) ser simtrico se (i, j) A se e somente se (j, i) / A, i, j N.
Claramente, este tipo de relacionamento utilizado para grafos orientados e no pode
possuir laos. Este tipo de grafos pode expressar relaes de ordem total ou parcial (pater-
nidade, idade, hierarquia, e outros), por exemplo, o organograma um grafo anti-simtrico.
CAPTULO 1. TEORIA DOS GRAFOS 7
Figura 1.12: Grafos anti-simtricos
Grafo completo
Um grafo G = (N, A) ser completo, se existir ao menos uma ligao associada a cada par
de vrtices. No caso orientado, isso signica exatamente uma ligao e, portanto, o grafo
possuir todas as arestas possveis. So conhecidas como cliques, K
n
onde n o nmero de
vrtices do grafo.
Figura 1.13: Grafos completos
Para o caso orientado, se (i, j) / A ento (j, i) A, isto , a ausncia de um arco em
um sentido implicar na presena do arco no sentido oposto.
Grafo Bipartido
Aqueles nos quais o conjunto de vrtices N pode ser particionado em dois subconjuntos de
tal forma que vrtices pertencentes a um mesmo subconjunto no so adjacentes.
Figura 1.14: Grafo Bipartido
Cliques Bipartidas
So grafos bipartidos no orientados com o maior nmero possvel de arestas, denota-se por
K
p,q
.
CAPTULO 1. TEORIA DOS GRAFOS 8
Figura 1.15: Cliques Bipartidas
Grafo Complementar
um grafo G que possui o mesmo conjunto de vrtices e as ligaes no existentes em um
grafo G = (N, A), sendo que o universo de arcos corresponde s arestas de um clique.
Figura 1.16: Grafos Complementares
Subgrafo
um grafo que possui o subconjunto de vrtices e o subconjunto de ligaes de um grafo
incidentes aos vrtices retirados.
Figura 1.17: Exemplo de subgrafo
Grafo Parcial
um grafo obtido pela supresso de ligaes do grafo original.
CAPTULO 1. TEORIA DOS GRAFOS 9
Figura 1.18: Grafo Parcial
1.2.6 Percursos em Grafos
Um percurso ou itinerrio ou ainda cadeia uma famlia de ligaes sucessivas adjacentes.
Um percurso euleriano em um grafo o percurso que usa cada ligao exatamente uma
vez. Um conhecido problema que se encaixa nesse perl o Problema do Carteiro Chins.
Nele, o carteiro deseja percorrer todas as ruas da sua rota um nmero mnimo de vezes e
voltar ao correio.
Um percurso hamiltoniano em um grafo o percurso que visita cada vrtice uma s
vez. No Problema do Caixeiro Viajante, um exemplo que utiliza percurso hamiltoniano,
o caixeiro deseja visitar uma variedade de cidades e depois voltar ao ponto de partida.
Associando-se o tempo de viagem entre as cidades, o caixeiro planeja um itinerrio de tal
forma que visite todas as cidades num menor tempo possvel. Este talvez um dos proble-
mas mais estudados na Teoria dos Grafos e de mais dicil soluo.
Nas seguintes sees estudaremos alguns dos principais problemas em grafos.
1.3 O Problema do Caminho Mnimo
O problema do caminho mnimo consiste na minimizao do custo de percurso de um grafo
entre dois vrtices, custo este dado pela soma dos custos de cada aresta percorrida. Para a
sua resoluo existem vrios algoritmos, mas esta disciplina abordar somente dois deles: o
Algoritmo de Dijkstra e o Algoritmo de Floyd.
1.3.1 Algoritmo de Dijkstra
O algoritmo de dijkstra tem por objetivo determinar o caminho mnimo entre uma origem
e um destino dados.
Ele ser aplicado diretamente sobre o grafo e utilizar a seguinte notao sobre cada
vrtice:
[c, j]X (1.7)
onde c representa o custo at o vrtice, j representa o vrtice precedente e X a classicao
do vrtice, que pode assumir valores T (temporrio) ou P (Permanente).
Esse algoritmo parte sempre de um vrtice T, aquele de menor custo acumulado buscando
chegar ao destino.
Exemplo: Determine o caminho mnimo entre 1 e 5 da g 1.19.
CAPTULO 1. TEORIA DOS GRAFOS 10
Figura 1.19: Rede Orientada do Exemplo
Soluo:
Primeiramente vamos identicar o vrtice de origem como um vrtice de custo 0, sem
precedente e permanente.
A seguir vamos identicar os vrtices que tem como precedente a origem. Eles sero
classicados como temporrios.
Agora escolheremos o vrtice temporrio de menor custo c (vrtice 3), que ser classi-
cado como permanente e repetimos o mesmo processo de identicao dos vrtices que o
tem como precedente. Esse processo continuar at termos o destino permanente.
CAPTULO 1. TEORIA DOS GRAFOS 11
Figura 1.20: Soluo do Exemplo
O caminho mnimo entre os vrtices 1 e 5 {1 3 5} ou {1 3 4 5} e tem custo
de 90un. Ele pode ser vista na gura 1.20
Exerccios de Fixao - Algoritmo de Dijkstra
1)So obtidas tiras de aluminio de 2cm a partir de outras de 12cm (espessura atravs de um
processo de reduo. A tabela 1.2 descreve o custo de redulo para cada 100m de alumnio.
Determine a forma mais econmica de se obter tiras de 2cm.
2) Uma empresa est planejando a substituio da sua frota de carros para o perodo 2006-
2011. No incio de cada ano toma-se a deciso de se manter a frota operando ou se ela deve
ser substituida. Essa substituio pode ocorrer no mximo aps trs anos de compra da
frota. A tabela 1.3 nos mostra o custo de substituio da frota como funo do ano em que
ela foi adquirida e o nmero de anos em operao. Determine o planejamento timo para a
substituio da frota.
CAPTULO 1. TEORIA DOS GRAFOS 12
Espessura Reduo (em cm)
(cm) 2 4 6
12 6,2 7,2 8,5
10 6,8 7,4 9,2
08 7,1 12,8 15,2
06 8,2 14,6 -
04 10,5 - -
Tabela 1.2: Custo de Reduo
Ano em que Custo de substituio por
a frota foi anos de operao
adquirida 1 2 3
2006 3800 4100 6800
2007 4000 4800 7000
2008 4200 5100 7200
2009 4800 5700 -
2010 5300 - -
Tabela 1.3: Custo de substituio da frota
1.3.2 Algoritmo de Floyd
Esse algoritmo serve para determinar o caminho mnimo entre todos os pares de vrtices.
Inicialmente, cria-se uma matriz de distncias e uma matriz de rotas do grafo seguindo
as indicaes a seguir:
D
0
=
_
_
_
d
ij
= 0 i = j;
d
ij
= (i, j) / A;
d
ij
= c
ij
(i, j) A.
(1.8)
R
0
=
_
r
ij
= j d
0
ij
< ;
r
ij
= 0 caso contrrio.
(1.9)
onde a matriz D chamada de matriz de distncias e R de matriz de rotas realizadas. Em
seguida, verica-se a existncia de um caminho de menor custo entre cada par de vrtices,
ao passar por um vrtice intermedirio, como na gura 1.21, caso exista altera-se a matriz
de distncias, com esse menor valor e tambm a matriz de rotas para o vrtice intermedirio.
Num grafo com n vrtices, aps montar a matriz de distncias, sero feitas n iteraes:
1
a
. Iterao: descobrir se h caminhos que cam menores ao passar pelo vrtice 1
2
a
. Iterao: descobrir se h caminhos que cam menores ao passar pelo vrtice 2
...
n
a
. Iterao: descobrir se h caminhos que cam menores ao passar pelo vrtice n.
Os passos do Algoritmo de Floyd so apresentados a seguir:
CAPTULO 1. TEORIA DOS GRAFOS 13
Figura 1.21: Idia principal do algoritmo de Floyd
Algorithm 1 Algoritmo de Floyd
for k = 1, n do
if d
ik
+d
kj
< d
ij
then
d
ij
d
ik
+d
kj
r
ij
r
ik
end if
end for
Ao executar esse algoritmo deve se atentar para as seguintes observaes:
No necessrio testar nenhum valor da diagonal principal da matriz, eles no iro
variar;
Na k-sima iterao, no haver variao na linha piv (linha k) e na coluna piv
(coluna k)
Na k-sima iterao, caso exista na linha piv (linha k) algum elemento onde d
kj
=
ento a coluna j no ir variar nessa iterao;
Na k-sima iterao, caso exista na coluna piv (coluna k) algum elemento onde d
ik
=
ento a linha i no ir variar nessa iterao;
Exemplo: Determine o caminho mnimo entre v
5
e v
2
, v
3
e v
1
e v
4
e v
3
da g 1.22.
Figura 1.22: Rede Orientada do Exemplo
Soluo:
Primeiramente vamos gerar a matriz de distncia e a de rotas do grafo.
D
0
=
_
_
_
_
_
_
1 2 3 4 5
1
0 5 3
2
0 3
3
0 5
4
1 1 0 1
5
1 1 0
_
_
_
_
_
_
R
0
=
_
_
_
_
_
_
1 2 3 4 5
1
1 2 0 4 0
2
0 2 3 0 0
3
0 0 3 0 5
4
1 2 0 4 5
5
0 2 0 4 5
_
_
_
_
_
_
CAPTULO 1. TEORIA DOS GRAFOS 14
Por esse ser um grafo com 5 vrtices, realizaremos 5 iteraes. Iniciaremos agora as it-
eraes, no esquecendo das observaes.
CAPTULO 1. TEORIA DOS GRAFOS 15
k = 1 Para esta iterao temos a linha 1 e coluna 1 como pivs.
termo(s) que deve(m) ser analisado(s) nessa iterao: d
42
D
1
=
_
_
_
_
_
_
1 2 3 4 5
1
0 5 3
2
0 3
3
0 5
4
1 0 1
5
1 1 0
_
_
_
_
_
_
R
1
=
_
_
_
_
_
_
1 2 3 4 5
1
1 2 0 4 0
2
0 2 3 0 0
3
0 0 3 0 5
4
1 0 4 5
5
0 2 0 4 5
_
_
_
_
_
_
d
41
+d
12
< d
42
?
1 + 5 < 1 ? No
D
1
=
_
_
_
_
_
_
1 2 3 4 5
1
0 5 3
2
0 3
3
0 5
4
1 1 0 1
5
1 1 0
_
_
_
_
_
_
R
1
=
_
_
_
_
_
_
1 2 3 4 5
1
1 2 0 4 0
2
0 2 3 0 0
3
0 0 3 0 5
4
1 2 0 4 5
5
0 2 0 4 5
_
_
_
_
_
_
k = 2 Para esta iterao temos a linha 2 e coluna 2 como pivs.
termo(s) que deve(m) ser analisado(s) nessa iterao: d
13
, d
43
, d
53
.
D
2
=
_
_
_
_
_
_
1 2 3 4 5
1
0 5 3
2
0 3
3
0 5
4
1 1 0 1
5
1 1 0
_
_
_
_
_
_
R
2
=
_
_
_
_
_
_
1 2 3 4 5
1
1 2 4 0
2
0 2 3 0 0
3
0 0 3 0 5
4
1 2 4 5
5
0 2 4 5
_
_
_
_
_
_
d
12
+d
23
< d
13
?
5 + 3 < ? Sim, ento
d
13
= d
12
+d
23
= 5 + 3 = 8
r
13
= k = 2
d
42
+d
23
< d
43
?
1 + 3 < ? Sim, ento
d
43
= d
42
+d
23
= 1 + 3 = 4
r
43
= k = 2
d
52
+d
23
< d
53
?
1 + 3 < ? Sim, ento
d
53
= d
52
+d
23
= 1 + 3 = 4
r
53
= k = 2
D
2
=
_
_
_
_
_
_
1 2 3 4 5
1
0 5 8 3
2
0 3
3
0 5
4
1 1 4 0 1
5
1 4 1 0
_
_
_
_
_
_
R
2
=
_
_
_
_
_
_
1 2 3 4 5
1
1 2 2 4 0
2
0 2 3 0 0
3
0 0 3 0 5
4
1 2 2 4 5
5
0 2 2 4 5
_
_
_
_
_
_
CAPTULO 1. TEORIA DOS GRAFOS 16
Repetiremos esse mesmo processo para k = 3, k = 4 e k = 5, chegando a essas matrizes de
distncias e rotas:
D
5
=
_
_
_
_
_
_
1 2 3 4 5
1
0 4 7 3 4
2
10 0 3 9 8
3
7 6 0 6 5
4
1 1 4 0 1
5
2 1 4 1 0
_
_
_
_
_
_
R
5
=
_
_
_
_
_
_
1 2 3 4 5
1
1 4 4 4 4
2
3 2 3 3 3
3
5 5 3 5 5
4
1 2 2 4 5
5
4 2 2 4 5
_
_
_
_
_
_
de v
5
para v
2
: 5 2, custo = 1
de v
3
para v
1
: 3 5 4 1, custo = 7
de v
4
para v
3
: 4 2 3 custo = 4
1.4 O Problema da rvore Geradora Mnima
O problema da rvore geradora mnima objetiva encontrar o caminho mais curto de tal
maneira que os arcos forneam um caminho entre todos os pares de vrtices. Esse modelo
de problema pode ser aplicado a:
Projeto de redes de telecomunicao;
Projeto de redes de transporte (rodovias, ferrovias, etc.);
Projeto de redes de transmisso de energia
Esse tipo de problema resolvido por vrios algoritmos, dentre eles o Algoritmo de Prim e
o Algoritmo de Kruskal.
Para um melhor entendimento dois novos conceitos sero apersentados.
1.4.1 Conexidade de um grafo
Um grafo dito conexo se existir pelo menos um percurso entre todos os pares de vrtices.
Caso contrrio, trata-se de um grafo no conexo.
Figura 1.23: Conexidade
CAPTULO 1. TEORIA DOS GRAFOS 17
Figura 1.24: rvore Geradora
1.4.2 rvore e rvore Geradora
Uma rvore um grafo conexo e sem ciclos. Uma rvore geradora de um grafo G um
subgrafo de G que inclui cada vrtice de G e uma rvore.
Uma rvore possui as seguintes particularidades:
Se a rvore tem n vrtices, ento ela ter n 1 arestas;
Caso seja eliminada uma aresta da rvore, teremos um grafo no-conexo;
Caso acrescente uma aresta entre qualquer par de vrtices ser formado somente um
ciclo.
1.4.3 Algoritmo de Prim
1. Seleccionar um n arbitrariamente e lig-lo ao n mais prximo;
2. Identicar o n ainda isolado que esteja mais prximo de um n j ligado e ligar estes
dois ns. Repetir esse passo at que todos os ns estejam ligados entre si.
Exemplo: Determine a rvore geradora mnima do grafo da gura 1.25
Figura 1.25: Grafo do Exemplo
Soluo:
1.4.4 Algoritmo de Kruskal
1. Ordenar as arestas por ordem crescente de custo, sendo os desempates feitos arbritari-
amente, formando uma lista;
2. Selecionar a primeira aresta da lista. Caso gere um ciclo, retir-la da lista e voltar ao
incio de 2. Caso contrrio, adicion-la rvore de suporte e retir-la da lista. Repetir
esse passo at que a rvore de suporte esteja formada.
Exemplo: Determine a rvore geradora mnima do grafo do exemplo anterior (gura
1.25) utilizando o algoritmo de Kruskal.
CAPTULO 1. TEORIA DOS GRAFOS 18
Figura 1.26: Resoluo utilizando o algoritmo de Prim
Soluo:
(B,C) - 1
a
aresta adicionada a rvore
(D,E) - 2
a
aresta adicionada rvore
(O,A) - 3
a
aresta adicionada rvore
(A,B) - 4
a
aresta adicionada rvore
(B,E) - 5
a
aresta adicionada rvore
(O,C) - forma ciclo
(B,D) - forma ciclo
(C,E) - forma ciclo
(O,B) - forma ciclo
(D,W) - 6
a
aresta adicionada rvore - Fim
(A,D)
(E,W)
Figura 1.27: Soluo do Exemplo
1.5 O Problema de Fluxo Mximo
O Problema de Fluxo Mximo objetiva maximizar o uxo de um ponto de origem (ou fonte)
at um ponto de destino (ou sorvedouro) tendo que respeitar as restries de uxo de cada
arco da rede. Este tipo de problema pode aparecer envolvendo o uxo de materiais como
CAPTULO 1. TEORIA DOS GRAFOS 19
gua, leo, vapor atravs de uma rede de tubos; o uxo mximo de veculos em um sis-
tema de transporte; ou ainda quando se deseja determinar a capacidade mxima de uma
linha de produo de um produto que pode ser fabricado utilizando vrios roteiros difer-
entes, passando por vrios centros de fabricao, cada um deles com uma certa capacitade
instalada.
De uma forma geral, seja G(N, A) uma rede orientada onde u
ij
representa a capacidade
do arco que liga o vrtice i ao vrtice j tal que i, j A. Deseja-se saber qual o nmero
mximo de unidades que podem circular do vertice 1 ao vrtice n por unidade de tempo.
1.5.1 Modelo de Otimizao Linear
Para a formulao desse modelo consideraremos existente um arco virtual ligando o n n
ao n 1 que ter capacidade innita. Neste arco teremos o uxo total da rede.
Figura 1.28: Exemplo de Arco Virtual
O modelo matemtico ser formado conforme as instrues abaixo:
Funo Objetivo Max x
n1
(1)
Restries SA

(i,j)A
x
ij

(k,i)A
x
ki
= 0 i = 1, ..., n (2)
0 x
ij
u
ij
(i, j) A (3)
onde: (1) nos mostra que queremos maximizar o uxo entre a fonte e o sorvedouro; (2) faz
com que o uxo que chega em cada n seja igual ao uxo que sai do mesmo; e (3) limita
o uxo do arco no intervalo [0,u
ij
], onde u
ij
representa o uxo mximo do arco que liga os
ns i e j.
Exemplo: A Companhia Estadual de Gs do Rio de Janeiro (CEG-RJ) deseja deter-
minar a quantidade mxima de metros cbicos por segundo de gs que pode bombear da
estao de Campos para a cidade de Volta Redonda, atravs de uma rede de gasodutos j
existentes. A gura 1.29 apresenta a atual rede de distribuio de gs da CEG-RJ. Formule
um problema de programao linear para este caso.
Figura 1.29: Rede de distribuio de gs da CEG-RJ
Soluo:
Primeiramente criamos o arco virtual. No nosso caso ele ter uxo x
61
.
CAPTULO 1. TEORIA DOS GRAFOS 20
Max x
61
SA x
61
(x
12
+x
13
+x
14
) = 0 (n 1)
x
12
(x
23
+x
25
+x
26
) = 0 (n 2)
x
13
+x
23
+x
43
(x
35
) = 0 (n 3)
x
14
(x
43
+x
45
) = 0 (n 4)
x
25
+x
35
+x
45
(x
56
) = 0 (n 5)
x
26
+x
56
(x
61
) = 0 (n 6)
0 x
12
15
0 x
13
5
0 x
14
10
0 x
23
8
0 x
25
10
0 x
26
10
0 x
35
10
0 x
43
7
0 x
45
9
0 x
56
15
0 x
61

1.5.2 Algoritmo de Ford-Fulkerson
uma heurstica (no garante soluo tima) que funciona pela denio de um caminho de
aumento de uxo num grafo. Caminho de aumento de uxo aquele que parte da fonte at
o sorvedouro e que apresenta o uxo de pelo menos um de seus arcos saturado, isto , utiliza
todo o uxo disponvel de pelo menos um arco. Ao acrescentarmos o caminho de aumento
ao uxo j existente no grafo, o uxo mximo atingido quando no for possvel descobrir
mais caminhos de aumento. Para aplicar o algormitmo de Ford-Fulkerson substituimos o
uxo de cada arco pelo par ordenado (a, b), onde a repreesenta o uxo disponvel no arco e
b o uxo enviado pelo arco.
Exemplo: Aplique o algoritmo de Ford-Fulkerson a rede de distribuio de gs da CEG-
RJ da gura 1.29 do exemplo anterior.
Soluo:
Como no existe mais nenhum caminho de aumento de uxo, ento o uxo mximo
igual a 25.
1.6 Bibliograa do Captulo
1. ALOISE, J.D.; CRUZ, J.S. Teoria dos Grafos e Aplicaes. Disponvel em: <http://www.dimap.ufrn.br/
dario/disciplinas.htm>. Acesso em: 20 jul. 2007.
2. ARENALES, M.; ARMENTANO, V.; MORABITO, R.; YANASSE, H. Pesquisa Opera-
cional. 1.ed. Rio de janeiro: Editora Campus, 2007.
3. BAAZARA, M.S.; JAVIS, J.J.; SHERALI, H.D. Linear Programming and Network
Flows. 2.ed. Nova York: Wiley, 1990.
4. BOAVENTURA NETTO, P.O. Grafos - Teoria, Modelos e Algoritmos. 3.ed., So Paulo:
Edgard Blcher Ltda, 2003.
CAPTULO 1. TEORIA DOS GRAFOS 21
5. FEOFILOFF, P.; KOHAYAKAWA, Y.; WAKABAYASHI, Y. Uma Introduo Sucinta
Teoria dos Grafos. Disponvel em: <http://www.ime.usp.br/ pf/teoriadosgrafos/ texto/TeoriaDosGrafos.pdf>.
Acesso em: 19 ago. 2007.
6. FERREIRA, J.A.S.; SIMARIA, A.S.A. Algoritmos para a Resoluo de Problemas em
Redes. Disponvel em: <http://www2.egi.ua.pt/cursos/les/SAD/Algoritmos_Redes.pdf>.
Acesso em: 14 nov. 2007.
7. GUIMARES, J.O. Teoria dos Grafos. Disponvel em: <http://www.dc.ufscar.br/ jose/
courses/tg.htm>. Acesso em: 20 jul. 2007.
8. LACHTERMACHER,G. Pesquisa Operacional na Tomada de Decises. 3.ed. Rio de
janeiro: Editora Campus, 2007.
9. MARTINS, F.M. Paradigmas da Programao III - Notas de Aula. Disponvel em:
<http://sim.di.uminho.pt/ ensino2.php3?seccao=geral&id=45>. Acesso em: 20 jul. 2007.
CAPTULO 1. TEORIA DOS GRAFOS 22
10. MEZA,L.A. Pesquisa Operacional II - Teoria dos Grafos. 2007. 22 f. Notas de Aula.
11. NOGUEIRA, F. Pesquisa Operacional - Notas de Aula. Disponvel em: <http://www.engprod.ufjf.br/
fernando/epd015/>. Acesso em: 24 nov. 2007.
12. PATRCIO, P. Breve introduo teoria dos grafos. Disponvel na internet. Acesso em:
20 jul. 2007.
13. RAGGI, L.A. Teoria e Modelos de Grafos. Disponvel em: <http://www.dpi.ufv.br/disciplinas/inf330/
index.php?pk=167>. Acesso em: 16 jul. 2007.
14. RIBEIRO, C.C.; ROCHA, C.T. Algoritmos em Grafos. Disponvel em: <http://www-
di.inf.puc-rio.br/ celso/disciplinas.htm>. Acesso em: 21 nov. 2007.
15. SILVA JNIOR, E. P. Anlise Combinatria e Teoria dos Grafos. Disponvel em:
<http://www.inf.ufrgs.br/ prestes/disciplinas.html>. Acesso em: 20 jul. 2007.
16. SILVA, M. Grafos - Denies e Conceitos Fundamentais. Disponvel em: <http://www.moraissilva.com/
grafos_cap1.pdf>. Acesso em: 20 jul. 2007.
17. SOUZA, L. O Teorema das Quatro Cores. Millenium - Revista do ISPV , n.24, p. 125-51,
out. 2001, Disponvel em: <http://www.ipv.pt/millenium/Millenium24/12.pdf>.
Captulo 2
Teoria da Deciso
"Faa as coisas o mais simples que voc puder, porm no as mais simples."
Albert Einstein
Nos dias atuais, tanto na rea pblica quanto na privada, somos cercados de vrios problemas
complexos da tomada de deciso. O Homem sempre tentou resolver esses problemas atravs de
raciocnios dedutivos, heursticas e abstraesa m de guiar suas escolhas e tambm poder valid-
las (Gomes et al., 2004). Este captulo visa apresentar alguns mtodos para o auxlio na tomada de
deciso em cenrios complexos.
2.1 Conceitos Bsicos
2.1.1 Decisor
Indivduo ou grupo de indivduos que, direta ou indiretamente, proporciona o juzo de valor nal
que poder ser utilizado no momento de avaliar as alternativas disponveis, objetivando identicar
a melhor escolha. Sempre se supe a existencia de um decisor, seja este ideal ou real.
2.1.2 Analista
a pessoa, ou equipe de trabalho, incumbida de modelar o problema e fazer as recomendaes
relativas seleo nal. Ela deve examinar as opinies do decisor, tratando-as de forma objetiva
para que sejam transferidas posteriormente para o modelo.
2.1.3 Conjunto de Alternativas
Conjunto sobre o qual o decisor dever identicar a melhor escolha. Essas alternativas podem ser
discretas, como apartamentos para alugar, ou contnuas, como a localizao em um plano.
2.1.4 Atributos
Atributos ou critrios so o conjunto de caractersticas de cada alternativa. Somente a partir dos
atributos possvel realizar a escolha. Tomemos como exemplo a compra de um carro: o conjunto
de alternativas so os carros possveis para compra, como Astra, Parati, Gol, etc. e os atributos
podem ser o preo, conforto, rendimento, potncia, entre outros, de cada carro.
2.2 Apoio Multicritrio Deciso
Segundo Gomes et al. (2004) o Apoio Multicritrio Deciso a atividade do analista que, baseado
em modelos claramente apresentados, ajuda na obteno de elementos de resposta s questos de
23
CAPTULO 2. TEORIA DA DECISO 24
um decisor no decorrer de um processo. Esses elementos servem para esclarecer cada deciso e,
normalmente, recomend-la ou, simplesmente, favorec-la.
A metodologia multicritrio se segmenta em dois segmentos:
O primeiro a contnuo, conhecida como Programao Multiobjetivo ou Otimizao Vetorial,
que trabalha com problemas com objetivos mltipos, onde as alternativas podem assumir um
nmero innito de valores.
O segundo a discreto, conhecida como Deciso Multicritrio Discreta (DMD), que analisa
problemas com o o conjunto de alternativas de deciso formado por um nmero nito e
geralmente pequeno de variveis. Somente este segmento ser abordado nesta apostila.
2.2.1 Tipos de Problemas
Em um dado problema de deciso, uma das quatro problemticas abordada pela DMD:
P: seleciona a melhor alternativa ou as melhores alternativas.
P: aceita alternativas que parecem boas e descarta as alternativas que parecem ruins, ou
seja, realiza classicao das alternativas.
P: gera uma ordenao das alternativas.
P: realizar uma descrio das alternativas.
2.2.2 Preferncia do Decisor
Com o intuito de representar as preferncias do decisor de forma realista, ao comparar duas alter-
nativas podemos nos deparar com quatro situaes mutuamente excludentes:
Indiferena(I): quando o tomador de deciso indiferente entre x
1
e x
2
, isto , existem razes
claras para justicar a equivalncia entre duas alternativas. Essa situao representada por
x
1
Ix
2
(l-se x
1
indiferente a x
2
).
Preferncia estrita(P): o tomador de deciso prefere estritamente x
1
a x
2
. Essa situao
representada por x
1
Px
2
(l-se x
1
estritamente prefervel a x
2
).
Preferncia fraca(Q): quando o tomador de deciso no sabe se prefere estritamente x
1
a
x
2
ou se indiferente a essas alternativas. Essa situao representada por x
1
Qx
2
(l-se x
1
preferivel ou indiferente a x
2
).
Incompatibilidade(R): ocorre quando no possvel identicar nenhuma das trs situaes
anteriores. Essa situao representada por x
1
Rx
2
(l-se x
1
incomparavel a x
2
).
OBS.: Sero utilizados nas prximas sees somente os conceitos de Indiferena (I) e Preferncia
(P) nos mtodos apresentados.
2.2.3 Mtodo ou Escolha Justa
Consiste em um conjunto de propriedades que garante um mtodo justo.
Propriedade 1: Transitividade Caso aPb e bPc, ento podemos armar que aPc.
Propriedade 2: Totalidade O mtodo deve conseguir colocar as alternativas em ordem.
Propriedade 3: Unanimidade Todas as alternativas "concordam"com a ordenao.
Propriedade 4: Independncia A posio de uma alternativa em relao a outra depende
somente delas e no do conjunto de todas as alternativas.
Propriedade 5: Universalidade O mtodo deve satisfazer todas as propriedades anteriores.
2.3 Problema-exemplo
Ser utilizado um problema de expanso de um prdio como exemplo de aplicao dos mtodos de
DMD. Este problema possui os seguintes atributos e as seguintes alternativas:
CAPTULO 2. TEORIA DA DECISO 25
Alternativas Custo Funcionalidade Qualidade
A1 R$ 11.000,00 7 Deciente
A2 R$ 14.000,00 9 Suciente
A3 R$ 13.000,00 5 Muito Boa
A4 R$ 12.000,00 3 Boa
A5 R$ 12.000,00 6 Boa
Tabela 2.1: Problema de expanso de um prdio
2.4 Mtodos Elementares
2.4.1 Mtodo da Dominncia
O Mtodo da Dominncia visa retirar do conjunto todas as alternativas que so dominadas.
Sejam duas alternativas A1 e A2. Se A1 for melhor ou igual a A2 em todos os critrios, ento
podemos armar que A1 domina A2 e A2 pode ser retirado do conjunto.
Aplicao: Comparando as alternativas A4 e A5 vemos que A5 domina A4. Portanto A4 pode
ser retirada da anlise.
2.4.2 Mtodo Conjuntivo
O Mtodo Conjuntivo objetiva classicar as alternativas em duas classes: Aceitvel ou Inaceitvel.
Para isso pode-se estabelecer valores mnimos ou mximos para cada critrio.
Aplicao: Imagine uma restrio oramentria limita os gastos em no mximo R$ 13.500,00.
Com isso as alternativas A1, A3, A4 e A5 so aceitveis e a alternativa A2 inaceitvel.
2.4.3 Mtodo Lexicogrco
O Mtodo Lexicogrco busca ordenar as alternativas atravs de uma ordenao prvia dos critrios.
Essa ordenao dos critrios se d por ordem de importncia.
A ordenao das alternativas feita pelo critrio de maior importncia. Caso haja algum empate,
utiliza-se o segundo critrio mais importante e assim consecutivamente at que todas as alternativas
sejam ordenadas.
Aplicao: A ordenao dos critrios a seguinte: Custo, Funcionalidade, Qualidade.
Ordenando as alternativas: A1, A5, A4, A3, A2.
2.5 Mtodos Ordinais
2.5.1 Mtodo de Borda
O Mtodo de Borda ordena as alternativas atravs de uma pontuao atribuida a cada uma delas.
Essa pontuao dada da forma: as alternativas so ordenadas de melhor para pior segundo cada
critrio. A cada posio da alternativa atribuido uma pontuao correspondente (1
o
lugar = 1
ponto; 2
o
lugar = 2 pontos; e assim sucessivamente; em caso de empate realizado uma mdia dos
pontos e atribuida para cada alternativa).
Aplicao:
custo func. quali.
A1 = 1 + 2 + 5 = 8
A2 = 5 + 1 + 4 = 10
A3 = 4 + 4 + 1 = 9
A4 = 2,5 + 5 + 2,5 = 10
A5 = 2,5 + 3 + 2,5 = 8
CAPTULO 2. TEORIA DA DECISO 26
A ordenao obtida foi: A1 e A5, A3, A2 e A4.
2.5.2 Mtodo de Condorcet
No Mtodo de Condorcet as alternativas so comparadas par a par em relao a todos os critrios.
Uma alternativa ser prefervel a outra caso apresente um nmero de critrios favorveis.
Aps comparar as alternativas, um grafo criado. Caso uma alternativa X seja prefervel a
outra Y, gerado um arco partindo de X e chegando a Y. Caso uma alternativa Y seja indiferente
a outra Z, dois arcos so gerados: um saindo de Y e chegando em Z e outro saindo de Z e chegando
em Y. O grafo acima pode ser visto na gura 2.2.
Figura 2.1: Grafo do Mtodo Condorcet
A partir deste grafo obtida uma matriz de adjacncias (seo 1.2.4), onde o arco do grafo
receber o valor de 1, indicando preferncia e 0, caso contrrio. essa matriz de adjacncias que
classica as alternativas atravs de duas fases:
Destilao Descendente: Identica as alternativas da melhor para a pior. A melhor alternativa
aquela prefervel a todas as outras, isto , sua linha possui apenas valores 1 (menos na coluna
que a representa), e a coluna possui apenas valores 0. Aps identicar a melhor alternativa,
ela excluida da matriz de adjacncias e o mesmo processo repetido at que no seja mais
possvel. Assim, no nal, teremos uma lista das melhores alternativas.
Destilao Ascendente: Identica as alternativas da pior para a melhor. A pior alternativa
aquela em que todas as alternativas so preferveis ela, isto , sua linha possui apenas valores
0, e a coluna possui apenas valores 1 (menos na linha que a representa). Aps identicar a
pior alternativa, ela excluida da matriz de adjacncias e o mesmo processo repetido at
que no seja mais possvel. Assim, no nal, teremos uma lista das piores alternativas.
Com isso este mtodo nem sempre permite ordenar todas as alternativas. Isso acontece porque
algumas alternativas apresentam ciclos de intransitividade, isto , so preferveis em relao a apenas
algumas alternativas.
Aplicao:
custo func. quali.
A1 e A2: A1PA2 , A2PA1 , A2PA1 A2PA1
A1 e A3: A1PA3 , A1PA3 , A3PA1 A1PA3
A1 e A4: A1PA4 , A1PA4 , A4PA1 A1PA4
A1 e A5: A1PA5 , A1PA5 , A5PA1 A1PA5
A2 e A3: A3PA2 , A2PA3 , A3PA2 A3PA2
A2 e A4: A4PA2 , A2PA4 , A4PA2 A4PA2
A2 e A5: A5PA2 , A2PA5 , A5PA2 A5PA2
A3 e A4: A4PA3 , A3PA4 , A3PA4 A3PA4
A3 e A5: A5PA3 , A5PA3 , A3PA5 A5PA3
A4 e A5: A5IA4 , A5PA4 , A4IA5 A5PA4
CAPTULO 2. TEORIA DA DECISO 27
Figura 2.2: Grafo do Problema de Aplicao
_
_
_
_
_
_
A1 A2 A3 A4 A5
A1 0 0 1 1 1
A2 1 0 0 0 0
A3 0 1 0 1 0
A4 0 1 0 0 0
A5 0 1 1 1 0
_
_
_
_
_
_
Nesta aplicao no possvel ordenar as alternativas pois elas apresentam ciclos de intransi-
tividade.
2.5.3 Mtodo de Coppeland
uma mistura dos Mtodos de Borda e de Condorcet. A partir da matriz de adjacncias obtida no
Mtodo de Condorcet, consiste em somar o nmero de vitrias (valores da linha da alternativa) das
alternativas e subtrair as derrotas (valores da coluna da alternativa), gerando uma pontuao para
cada uma delas. A ordenao das alternativas se d de forma decrescente.
Este mtodo superior ao de Condorcet por no apresentar ciclos de intransitividade, con-
seguindo assim, ordenar todas as alternativas. importante frisar que a ordenao obtida nas fases
do mtodo de Condorcet dos melhores e piores indivduos ser a mesma do mtodo de Coppeland.
Aplicao:
A partir da Matriz de Adjacncia da seo anterior, temos:
A1 = 3 - 1 = 2
A2 = 1 - 3 = -2
A3 = 2 - 2 = 0
A4 = 1 - 3 = -2
A5 = 3 - 1 = 2
A ordenao obtida foi: A1 e A5, A3, A2 e A4.
2.5.4 Mtodo das Ponderaes
Este mtodo consiste na soma ponderada dos valores dos critrios normalizados. Este mtodo a
base dos mtodos da Escola Americana como, por exemplo, o AHP e o UTA.
Primeiramente, s possvel trabalhar neste mtodo com critrios quantitativos, pois necessrio
normalizar os dados de cada critrio. Para isto dependendo do tipo de critrio utiliza-se uma
determinada frmula:
CAPTULO 2. TEORIA DA DECISO 28
Critrio de Maximizao: x
ij
=
x
ij
Min{x
ij
}
Max{x
ij
}Min{x
ij
}
Critrio de Minimizao: x
ij
=
Max{x
ij
}x
ij
Max{x
ij
}Min{x
ij
}
Aps este processo, a "pior"alternativa recebe valor 0 e a "melhor"1 em cada critrio. Feito isso,
cada critrio recebe um peso
i
, que representa sua importncia, e tem como condio que

i
= 1.
O prximo passo somar para cada alternativa o valor do critrio multiplicado pelo seu peso.
Com os resultados encotrados so ordenadas as alternativas.
Aplicao:
Neste mtodo o critrio "Qualidade", por ser qualitativo, foi descartado. Vamos considerar que
os dois critrios tem pesos iguais, isto ,
1
e
2
iguais a 0,5.
Tabela Normalizada
Alternativas Custo (
1
= 0, 5) Funcionalidade (
2
= 0, 5) Soma Ponderada
A1
1400011000
1400011000
= 1
73
93
=
2
3
0,833
A2
1400014000
1400011000
= 0
93
93
= 1 0,500
A3
1400013000
1400011000
=
1
3
53
93
=
1
3
0,333
A4
1400012000
1400011000
=
2
3
33
93
= 0 0,333
A5
1400012000
1400011000
=
2
3
63
93
=
1
2
0,583
A ordenao obtida foi A1, A5, A2, A3 e A4.
Anlise de Sensibilidade
possvel realizar uma anlise de sensibilidade dos pesos em problemas com 2 critrios.
Sabemos que
1
+
2
= 1, ento
2
= 1
1
. Substituindo essa equao nas somas ponderadas
de cada alternativa temos:
Alternativas Soma Ponderada
A1
1
+
2
3

2

1
3

1
+
2
3
A2
2
1
1
A3
1
3

1
+
1
3

2

1
3
A4
2
3

1

2
3

1
A5
2
3

1
+
1
2

2

1
6

1
+
1
2
Figura 2.3: Grco da Anlise de Sensibilidade
CAPTULO 2. TEORIA DA DECISO 29
Determinando a interseo entre A1 e A2 temos:
1
3

1
+
2
3
= 1
1
=
1
4
Sendo assim concluimos que:
Para
1
<
1
4
a melhor alternativa A2.
Para
1
=
1
4
a melhor alternativa A2 ou A1.
Para
1
>
1
4
a melhor alternativa A1.
Para ordenar as outras alternativas basta traar a partir da melhor alternativa uma linha perpen-
dicular ao eixo das ordenadas. A ordenao se d de acordo que essa linha corta as linhas das
alternativas. Por exemplo, em
1
=
1
4
temos a seguinte ordenao: A1 e A2, A5, A3, A4.
2.6 Deciso com Incerteza
O ambiente empresarial muito dinmico. Dentro dele podemos nos deparar com vrias situaes
onde temos que tomar uma deciso imediata sobre um determinado assunto sem conhecer como o
mercado vai ser comportar. As tcnicas que sero apresentadas servem para auxiliar a tomada de
deciso deste tipo de problema.
Na deciso com incerteza os dados dependem de cenrios. A distribuio de probabilidade
associada aos cenrios no conhecida. A matriz abaixo apresenta as informaes bsicas para
resoluo deste problema:
_
_
_
_
S
1
S
2
... S
n
a
1
v(a
1
c
1
) v(a
1
S
2
) ... v(a
1
S
n
)
a
2
v(a
2
S
1
) v(a
2
S
2
) ... v(a
2
S
n
)
... ... ... ... ...
a
m
v(a
m
S
1
) v(a
m
S
2
) ... v(a
m
S
n
)
_
_
_
_
onde a
i
representa a alternativa i com i = 1, 2, ..., m; S
j
representa o cenrio j com j = 1, 2, ..., n
e;eq v(a
i
S
j
) o resultado ou conseqncia associada a ao a
i
e ao cenrio S
j
.
Nas proximas sees sero mostradas abordagens para resolver problema de deciso com in-
certeza.
2.6.1 Problema-exemplo 2
O plano de urbanizao de uma rea residencial prev a construo da infra-estrutura de saneamento
bsico que incluem o abastecimento de gua e o tratamento de esgotos. O projeto depende da
propulao que ir residir na rea e que depende da economia do setor. Existem 4 opes de
ao a ser tomada e 4 cenrios possveis: (a) estagnao econmica; (b) crescimento moderado; (c)
crescimento gradual e; (d) crescimento forte. A partir dos custos apresentados qual ser a ao
tomada?
_
_
_
_
a b c d
A
1
150 270 350 470
A
2
225 225 375 425
A
3
300 300 300 400
A
4
450 450 450 450
_
_
_
_
2.6.2 Regra Otimista
Na regra otimista para problemas de minimizao determinamos o do menor valor de cada alter-
nativa e depois o menor de todos eles. Buscamos o Min
a
i
_
min
s
j
v(a
i
, S
j
)
_
. Para problemas de
maximizao determinamos o do maior valor de cada alternativa e depois o maior de todos eles.
Buscamos o Max
a
i
_
max
s
j
v(a
i
, S
j
)
_
.
Esta regra considera que o "resto do mundo" conspira a favor do decisor.
Aplicao:
CAPTULO 2. TEORIA DA DECISO 30
_
_
_
_
min
A
1
150
A
2
225
A
3
300
A
4
450
_
_
_
_
Usando a regra otimista a melhor alternativa a A
1
.
2.6.3 Regra Pessimista
Na regra pessimista para problemas de minimizao determinamos o do maior valor de cada alter-
nativa e depois o menor de todos eles. Buscamos o Min
a
i
_
max
s
j
v(a
i
, S
j
)
_
. Para problemas de
maximizao determinamos o do menor valor de cada alternativa e depois o maior de todos eles.
Buscamos o Max
a
i
_
min
s
j
v(a
i
, S
j
)
_
.
Esta regra baseia-se em uma atitude conservadora, onde a deciso tomada nas piores condies.
Aplicao:
_
_
_
_
max
A
1
470
A
2
425
A
3
400
A
4
450
_
_
_
_
Usando a regra pessimista a melhor alternativa a A
3
.
2.6.4 Regra de Laplace
A regra de laplace est baseada no princpio da razo insuciente. Neste caso, por no serem conheci-
das as probabilidades dos cenrios, considera-se ento que todos possuem a mesma probabilidade.
P(S
1
) = P(S
2
) = ... = P(S
n
) =
1
n
Deve-se ento, para cada alternativa, somar o produto entre o valor da alternativa em um cenrio
e sua probabilidade.
Para problemas de minimizao escolhemos o menor valor encontrado, ou seja, Min a
i
_
_
_
1
n
n

j=1
v(a
i
, S
j
)
_
_
_
e para problemas de maximizao o maior valor encontrado, ou seja, Max a
i
_
_
_
1
n
n

j=1
v(a
i
, S
j
)
_
_
_
.
Aplicao:
_
_
_
_
A
1
1
4
(150 + 270 + 350 + 470) = 310
A
2
1
4
(225 + 225 + 375 + 425) = 312, 5
A
3
1
4
(300 + 300 + 300 + 400) = 325
A
4
1
4
(450 + 450 + 450 + 450) = 450
_
_
_
_
Usando a regra de laplace a melhor alternativa a A
1
.
2.6.5 Regra de Savage
A regra de savage introduz uma ponderao entre a regra otimista e pessimista. A partir da denio
da postura do decisor escolhido o ndice de otimismo ( [0, 1]) onde:
= 1 enfoque otimista;
= 0, 5 enfoque moderado;
CAPTULO 2. TEORIA DA DECISO 31
= 0 enfoque pessimista.
criada uma frmula para cada alternativa com base no tipo de problema:
Para problemas de minimizao: Min
a
i
_
min
s
j
v(a
i
, S
j
) + (1 )max
s
j
v(a
i
, S
j
)
_
Para problemas de maximizao: Max
a
i
_
max
s
j
v(a
i
, S
j
) + (1 )min
s
j
v(a
i
, S
j
)
_
Aplicao:
Considerando um enfoque moderado do decisor ( = 0, 5) temos:
_
_
_
_
min max
A
1
150 470
A
2
225 425
A
3
300 400
A
4
450 450
_
_
_
_
A
1
= 150 + 470(1 ) A
1
= 310
A
2
= 225 + 425(1 ) A
2
= 325
A
3
= 300 + 400(1 ) A
3
= 350
A
4
= 450 + 450(1 ) A
4
= 450
Usando a regra de savage a melhor alternativa a A
1
.
Anlise de Sensibilidade
possvel realizar uma anlise de sensibilidade do ndice de otimismo. Para isto, a partir das
expresses para cada alternativa um grco gerado e pode ser visto na gura 2.4.
Figura 2.4: Grco da Anlise de Sensibilidade
Para < 0.25, a melhor alternativa A
3
.
Para = 0.25, a melhor alternativa A
3
ou A
2
.
Para 0.25 < < 0.375, a melhor alternativa A
2
.
Para = 0.375, a melhor alternativa A
2
ou A
1
.
Para > 0.375, a melhor alternativa A
1
.
CAPTULO 2. TEORIA DA DECISO 32
2.7 Deciso com Risco
Em algumas situaes de tomada de deciso com vrios cenrios so conhecidas as probabilidades
de cada um deles. Neste caso utiliza-se a tcnica de deciso com risco, onde a deciso tomada a
partir do valor esperado de cada alternativa.
Exemplo:
O Grupo de Investimento Retorno Certo est disposto a adquirir novas cotas para seu grupo.
As aes disponveis no mercado so das Companhias A e B. Segundo os analistas, especialistas em
mercados de aes, h uma chance de 60% de que o mercado esteja provvel e 40% desprovvel.
Qual ao deve ser comprada?
Rendimento do Investimento
Mercado Provvel Mercado Desprovvel
Ao da Cia. A 5000 -2000
Ao da Cia. B 1500 500
E [A] = 0, 6(5000) + 0, 4(2000) = 2200
E [B] = 0, 6(1500) + 0, 4(500) = 1100
Sendo assim, melhor investir nas aes da companhia A.
2.8 Bibliograa do Captulo
1. GOMES, L.FA.M.; ARAYA, M.C.G.; CARIGNANO,C. Tomada de Descises em Cenrios
Complexos. So Paulo: Pioneira Thompson Learning, 2004.
2. GOMES,L.F.A.M.; GOMES, C.F.S.; ALMEIDA, A.T.de. Tomada de Deciso Gerencial:
enfoque multicritrio. So Paulo: Atlas, 2002.
3. MEZA,L.A. Pesquisa Operacional II - Teoria da Deciso. 2007. 19 f. Notas de Aula.