Académique Documents
Professionnel Documents
Culture Documents
ao Operacional | Slides
Maria Ant
onia Carravilla, Jos
e Fernando Oliveira
19 de Setembro de 2016
U.Porto | FEUP | DEGI
Modelac
ao | sem vari
aveis inteiras
Modelac
ao | sem vari
aveis inteiras Objetivos de Aprendizagem
Modelac
ao Os 10 princpios
1. N
ao criar um modelo complicado quando um simples
e suficiente.
2. N
ao moldar o problema `
a t
ecnica de resoluc
ao que se pretende utilizar.
3. Resolver rigorosamente o modelo encontrado. S
o assim se saber
a se hipot
eticas
inconsist
encias das soluc
oes do modelo com a realidade t
em origem no pr
oprio
modelo ou n
ao.
4. Validar os modelos antes de os implementar.
5. O modelo n
ao deve ser tomado literalmente pois nunca
e a realidade.
6. O modelo n
ao deve ser forcado a fazer, ou ser criticado por n
ao fazer, aquilo para
que n
ao foi criado.
7. N
ao sobrestimar os modelos.
8. Uma das principais vantagens da modelizac
ao
e o processo de desenvolvimento do
modelo.
9. Um modelo n
ao pode ser melhor do que a informac
ao usada na sua construc
ao.
10. Os modelos nunca substituem os agentes de decis
ao.
Modelos de Programac
ao Linear
A
7
4
4
B
3
4
2
C
6
5
3
A empresa disp
oe diariamente de 150 horas de trabalho dos funcion
arios especializados
na manipulac
ao do SSS para produzir as loc
oes. O fornecimento de SSS est
a limitado
a 200 kg/dia.
Formule o modelo de programac
ao linear que permitiria resolver este problema.
Considere agora que a Cremes & Loco
es conhece a procura m
axima de cada uma
das loc
oes, e esta
e de 5kg para as loc
oes A e C e de 10kg para a loc
ao B.
Acrescente estas restric
oes ao modelo anterior.
Considere agora que a quantidade produzida de cada uma das loco
es deve ser
sempre igual ou superior a 25% da quantidade total de loco
es produzida.
Acrescente estas restric
oes ao modelo anterior.
5
n
umero de kg da loc
ao A a produzir diariamente
n
umero de kg da loc
ao B a produzir diariamente
n
umero de kg da loc
ao C a produzir diariamente
Passo II Determinac
ao da Func
ao Objetivo
O objetivo do problema
e maximizar o lucro total, isto
e, o lucro obtido com a
produc
ao das tr
es loco
es. Como cada quilo da loc
ao A d
a um lucro de 4, da loc
ao B
d
a um lucro de 2 e da loc
ao C d
a um lucro de 3, a func
ao objetivo ser
a:
max LUCRO = 4xA + 2xB + 3xC
Modelo Completo:
Vari
aveis de Decis
ao:
xA
xB
xC
kg de loc
ao A a produzir diariamente
kg de loc
ao B a produzir diariamente
kg de loc
ao C a produzir diariamente
sujeito a:
7xA + 3xB + 6xC 150
4xA + 4xB + 5xC 200
xA , xB , xC 0
sujeito a:
7xA + 3xB + 6xC
4xA + 4xB + 5xC
1xA + 0xB + 0xC
0xA + 1xB + 0xC
0xA + 0xB + 1xC
0, 75xA 0, 25xB 0, 25xC
0, 25xA + 0, 75xB 0, 25xC
0, 25xA 0, 25xB + 0, 75xC
xA , xB , xC
150
200
10
15
10
0
0
0
0
Gr
ao
Brasil
Col
ombia
Peru
Aroma (nvel)
75
60
85
Intensidade (nvel)
15
20
18
Custo/kg
0,5
0,6
0,7
A empresa gostaria de criar uma mistura que tivesse um aroma de, pelo menos, 78
pontos e uma intensidade de, pelo menos, 16 pontos. A quantidade disponvel de cada
um dos tipos de gr
ao
e no entanto limitada.
Os custos por quilograma j
a s
ao conhecidos e est
ao representados na tabela, e a
empresa pretende produzir 4.000 kg de mistura ao menor custo possvel.
10
11
Crude disponvel:
Contratos assinados:
gasto na
gasto na
unidade antiga
unidade nova
z}|{
5x1
7x1
2x1
Tipo A:
Tipo B:
Tipo C:
+
+
+
z}|{
3x2
9x2
4x2
produzido na
produzido na
unidade antiga
unidade nova
z}|{
9x1
7x1
x1
Gasolina normal:
Gasolina super:
... e ainda:
+
+
,
z}|{
5x2
9x2
x2
1500
1900
1000
500
300
0
Func
ao objetivo
gasolina normal
z
max LUCRO = 6 (
gasolina super
}|
9
|{z}
no de tanques
x1
|{z}
{ z
}|
{
5x2 ) + 9 (7x1 + 9x2 )
|{z}
unidade nova
no de ciclos
por ciclo
{z
unidade antiga
}
12
Necessidade
de espaco
1500 m2
500 m2
5000 m2
Perodo de
arrendamento
1 m
es
2 meses
3 meses
Custo
28 e/m2
40 e/m2
50 e/m2
13
1500
500
5000
0
14
Modelac
ao | sem vari
aveis inteiras
Exerccios
15
Carga de Navio
'"
.,,1
Por
ao
ElO
ElO
Proa
Centro
R
e
Tonelagem
(toneladas)
2000
3200
1800
Volume
(m3 )
100000
140000
80000
` empresa s
A
ao oferecidas as cargas, cujo peso, volume por tonelada e lucro est
ao representados na tabela seguinte,
cada uma das quais pode ser aceite parcial ou totalmente:
Carga
A
B
C
Peso
(toneladas)
7000
6500
4000
Lucro
euro
( tonelada
)
20
24
16
16
A
AA1
30
P1
40
150
B
AA2
28
P2
35
120
P1
42
200
BB1
26
P2
50
320
P1
41
100
BB2
28
P2
37
120
P1
A
1000
A B = 4
P1
42
150
P2
45
170
P2
B
800
B A = 4
A
1700
A B = 3
B
1100
B A = 4
1
A informac
ao relativa `
a m
aquina AA1 l
e-se da seguinte forma: no perodo em causa a m
aquina AA1 est
a
disponvel durante 30 dias. Se a m
aquina AA1 produzir apenas pecas P1 , ent
ao poder
a produzir at
e 40 pecas por
dia. Se produzir apenas pecas P2 , ent
ao poder
a produzir at
e 35 pecas por dia.
17
Segunda
Terca
Quarta
Quinta
Sexta
S
abado
Domingo
No mnimo de funcion
arios
17
13
16
19
14
16
11
18
19
Programac
ao Linear
Programac
ao Linear Objetivos de Aprendizagem
otima, restric
ao redundante e restric
ao ativa.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
intervalo de variac
ao de um coeficiente da func
ao objetivo que n
ao implique
alterac
ao na soluc
ao
otima do problema (embora implique alterac
ao no seu valor).
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
preco-sombra de uma restric
ao: qual o aumento do valor da func
ao objetivo se
houver um aumento de uma unidade num recurso?
Ser capaz de determinar, com base na representac
ao gr
afica do problema, o
intervalo de variac
ao do termo independente de uma restric
ao que n
ao implique
alterac
ao no preco-sombra.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, quando
a soluc
ao
otima n
ao
eu
nica.
Ser capaz de determinar, com base na representac
ao gr
afica do problema, os
efeitos e impactos na soluc
ao o
tima de introduzir num problema novas restrico
es
ou retirar restrico
es j
a existentes.
20
Planeamento da produc
ao na BA
A f
abrica de Avintes da Barbosa e Almeida (BA) produz embalagens de vidro por
injec
ao.
A BA ganhou recentemente dois novos clientes e pretende afetar essa produc
ao a um
dos seus fornos. As encomendas foram de garrafas de Vinho do Porto Ruby Sandeman
(75cl) e de garrafas de litro de azeite Oliveira da Serra. Ambos os clientes compram
todas as garrafas que a BA conseguir fabricar.
Devido a diferencas produtivas (n
umero de cavidades e diferentes tempos de ciclo),
cada lote de garrafas de Vinho do Porto demora 50 horas a produzir, enquanto que
para produzir cada lote de garrafas de azeite apenas s
ao necess
arias 30 horas. Para
satisfazer estas duas encomendas o forno tem disponveis 2 000 horas de laborac
ao.
Por outro lado, h
a restric
oes na capacidade de armazenamento das garrafas, antes da
sua expedic
ao. O armaz
em tem 300m3 de espaco disponvel e cada lote de garrafas de
vinho do Porto ocupa 6m3 de espaco no armaz
em, enquanto cada lote de garrafas de
azeite ocupa 5m3 .
Finalmente h
a ainda a considerar a capacidade disponvel no setor de decorac
ao (e.g.
etiquetas, embalagem), que
e de 200 horas de laborac
ao. As garrafas de vinho do
Porto gastam 3 horas por lote e as garrafas de azeite 5 horas por lote.
A Barbosa e Almeida quer maximizar o lucro proveniente destas duas encomendas,
sabendo que o lucro por lote
e de 50e e 60e, respetivamente.
21
Planeamento da produc
ao na BA
Modelo de Programac
ao Linear
Vari
aveis de decis
ao
xVP N
umero de lotes de garrafas de Vinho do Porto Ruby Sandeman a produzir;
xA N
umero de lotes de garrafas de Azeite Oliveira da Serra a produzir
Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,
Z = 50xVP + 60xA
30xA
5xA
5xA
xA
2000
300
200
0
(tempo no forno)
(espaco no armaz
em)
(capacidade na decorac
ao)
Neste modelo n
ao vamos exigir que xVP e xA sejam inteiros.
22
Planeamento da produc
ao na BA
Resoluc
ao gr
afica Restricoes ativas e restricoes redundantes
80
XA
70
Sentido de crescimento de Z
(restrio ativa)
Z = 50XVP + 60XA
60
Tempo no Forno
50
Espao no armazm
Capacidade na decorao
40
Funo objectivo
30
XVP =0
20
10
0
0
10
XA=0
20
30
40
50
60
70
(restrio redundante)
80
XVP
23
Planeamento da produc
ao na BA
Resoluc
ao gr
afica Solucao otima
XA
80
70
50
50xVP +
3xVP +
30xA =
5xA =
2000
200
xVP =
xA =
25
25
= 25, x = 25, Z =
Soluc
ao
otima: xVP
A
2750
40
Z = 50XVP + 60XA
30
20
Soluc
ao
otima est
a necessariamente num
v
ertice:
10
0
0
10
20
30
40
50
60
70
Capacidade na decorao
Espao no armazm
Funo objectivo
80
XVP
Nenhuma soluc
ao dentro regi
ao admissvel
pode ser
otima porque o lucro pode crescer
aumentando xVP , xA ou ambas.
24
Planeamento da produc
ao na BA
Resoluc
ao gr
afica Relacao entre vertices e solucoes basicas
XA
80
70
50
40 A
Z = 50XVP + 60XA
30
D
U
20
Aos v
ertices da regi
ao admissvel correspondem soluc
oes b
asicas admissveis. Aos outros v
ertices correspondem soluc
oes b
asicas
n
ao admissveis (vari
aveis com valor negativo). Aos pontos dentro da regi
ao admissvel correspondem soluco
es n
ao b
asicas.
A, B, C e D s
ao soluc
oes b
asicas
admissveis;
W
e uma soluc
ao b
asica n
ao
admissvel;
U n
ao
e uma soluc
ao b
asica.
10
0B
0
10
20
30
40
50
60
70
Capacidade na decorao
Espao no armazm
Funo objectivo
80
XVP
Quando se passa de um v
ertice para um
outro v
ertice adjacente, uma s
o vari
avel
b
asica passa a n
ao b
asica e uma s
o vari
avel
n
ao b
asica passa a b
asica.
25
Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Coeficientes da funcao objetivo)
80
XA
70
A soluc
ao
otima mant
em-se inalterada enquanto o declive da func
ao objetivo se mantiver entre o declive da restric
ao tempo no
forno e o declive da restric
ao capacidade
na decorac
ao.
60
50
40
Z = 50XVP + 60XA
30
20
10
0
0
10
20
30
40
50
60
70
Capacidade na decorao
Espao no armazm
Funo objectivo
80
XVP
otimo salta de v
ertice em v
ertice.
26
Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Coeficientes da funcao objetivo)
60xA
4000
(tempo no forno)
36xVP +
60xA
2400
(cap. na decorac
ao)
CVP
100
36
100
30xA
2000
50xVP +
250 x
3 A
100000
3
(tempo no forno)
(cap. na decorac
ao)
CA
30
250
3
250
3
Em ambas as situaco
es apresentadas, o valor inicial dos coeficientes est
a dentro do intervalo de variac
ao calculado.
Se os valores iniciais n
ao estivessem contidos nesse intervalo, que intervalos deviam ser considerados?
27
Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Termos independentes das restricoes)
80
XA
70
50XVP + 30XA = b1
60
50
Restric
ao ativa com outro declive:
40
valor
otimo altera-se mas n
ao muda de
v
ertice.
Z = 50XVP + 60XA
30
20
10
0
0
10
20
30
40
50
60
70
Capacidade na decorao
Espao no armazm
Funo objectivo
80
XVP
28
Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Analise de sensibilidade Termos independentes das restricoes)
Diminuir o n
umero de horas disponveis no tempo no forno (b1 ) far
a a
reta deslocar-se para baixo.
Se a reta passar para al
em do ponto de
intersec
ao das restrico
escapacidade na
decorac
ao e xVP 0
Aumentar o n
umero de horas disponveis no tempo no forno (b1 ) far
a a
reta deslocar-se para cima.
Se a reta passar para al
em do ponto
de intersec
ao das restrico
es espaco no
armaz
em e capacidade na decorac
ao:
a restric
ao capacidade na decorac
ao
deixa de ser uma restric
ao ativa e o v
ertice
otimo muda.
a restric
ao tempo no forno deixa de
ser uma restric
ao ativa e o v
ertice
otimo
muda.
O v
ertice
otimo manter-se-`
a enquanto:
1200 b1 2266
2
3
29
Planeamento da produc
ao na BA
Resoluc
ao gr
afica (Precos sombra2 das restricoes)
O preco sombra associado a uma restric
ao representa a variac
ao do valor da func
ao objetivo por
unidade de aumento no valor do lado direito da restric
ao.
Exemplo:
Quanto aumentaria o lucro se se pud
essemos ter mais uma hora de laborac
ao no setor da
decorac
ao (passar de 200 para 201 o lado direito da respetiva restric
ao)?
50xVP +
3xVP +
30xA =
5xA =
2000
201
xVP =
xA =
13
24 16
5
25 16
13
5
= 24 16
Soluc
ao
otima: xVP
, xA = 25 16
, Z = 2759 38
Passando o n
umero de horas de laborac
ao no setor de decorac
ao de 200 para 201 o valor da
soluc
ao o
tima passou de 2750 para 2759 38 . Portanto a restric
ao capacidade na decorac
ao tem um
preco sombra de 9 38 .
O preco sombra s
o se mant
em enquanto n
ao houver alterac
ao do v
ertice
otimo
(ver an
alise de sensibilidade aos lados direitos das restrico
es)
O preco sombra de uma restric
ao n
ao ativa
e zero.
2
Programac
ao Linear
Resoluc
ao gr
afica | solucao otima unica
x2
Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,
Z = 4 x1 + x2
Z = 4x1 + x2
x2
2x2
x2
8 12
16
20
x1 - x2 = 2
2
8
0
x1 + 2x2 = 8
x1
31
Programac
ao Linear
Resoluc
ao gr
afica | solucao otima nao unica
x2
- 34
Z = x1 - x2 - 30
- 32
- 30
Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,
- 28
Z = x1 x2 30
x2
2x2
x2
x1 - x2 = 2
2
8
0
x1 + 2x2 = 8
x1
32
Programac
ao Linear
Resoluc
ao gr
afica | solucao ilimitada
x2
Z = 4 x1 + x2
Objetivo:
max
Sujeito a:
x1
x1 ,
Z = 4x1 + x2
x2
x2
8 12
16
20
x1 - x2 = 2
2
0
x1
33
Programac
ao Linear
Resoluc
ao gr
afica | sem solucao admissvel
x2
x1 - x2 = -5
Objetivo:
max
Sujeito a:
x1
x1 +
x1 ,
Z
x2
2x2
x2
5
8
0
x1 + 2x2 = 8
x1
34
Modelos de Programac
ao Matem
atica que consideraremos
Todas as vari
aveis de decis
ao tomam valores em R ou em Z.
H
a s
o um objetivo a maximizar ou a minimizar.
O objetivo e as restric
oes s
ao lineares.
Modelos de Programac
ao Linear se todas as vari
aveis de decis
ao tomam valores
em R.
Modelos de Programac
ao Inteira se todas as vari
aveis de decis
ao tomam valores
em Z.
Modelos de Programac
ao Mista se todas as vari
aveis de decis
ao tomam valores
em Z ou em R.
35
Programac
ao Matem
atica: Conceitos Fundamentais
Func
ao objetivo
min
f (X )
Restric
oes
gi (X )
i{1,...,m}
hi (X )
=0
i{1,...,l}
f (X )
X S
36
Programac
ao Matem
atica
Exemplo de Programac
ao N
ao-Linear
Curvas de nvel de f
x2
Objetivo:
min
Sujeito a:
(3, 6)
Conjunto
admissvel
Soluc
ao
otima: x1 = 23 , x2 = 29 , f =
9
2
x1
x 2 = x 12
x1 + x 2 = 6
37
Programac
ao Linear
Exerccios
38
Rio Negro
Z =
2xA
+4xB 280
+3, 5xB
+xB
xB
210
100
0
39
Problema PL I
40
Problema PL II
X2
5
4
3
2
P
1
1
X1
41
Problema PL1
X2
6
!"#!$%&'
min X1 + X2
!$%('
(!
! "#
%('
)$
1
X1
0
-1
0
-1
1. Qual
e a soluc
ao
otima do
problema?
2. Quais das seguintes inequaco
es
s
ao restrico
es ativas na soluc
ao
otima?
2.1
2.2
2.3
2.4
2.5
X2 3;
2X1 + 3X2 3;
2X1 + 3X2 3;
X1 0;
X2 0.
42
Problema PL2
X2
6
#$!#"'(!"(
min X1 X2
#"'&(
&#
# $%
'&(
"
!"
1
X1
0
-1
0
-1
1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao
otima?
2.1
2.2
2.3
2.4
2.5
X2 3;
2X1 + 3X2 3;
2X1 + 3X2 3;
X1 0;
X2 0.
43
Problema PL3
X2
!"#!$%&'&
max X1 + X2
!$%$()&
!"%"&
$!
" #*
!
$ %+
&
0
-1
X1
0
-1
1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao
otima?
2.1
2.2
2.3
2.4
2.5
X1 0;
X2 0;
X1 1;
X2 2, 5;
2X1 + 3X2 8.
44
Problema PL4
!"#!$%&#"&
!$%$'(&
max X1 X2
X2
5
$!
" )*
!"%"&
!$ %
+&
X1
0
-1
0
-1
1. Qual
e a soluc
ao o
tima do
problema?
2. Quais das seguintes inequac
oes
s
ao restrico
es ativas na soluc
ao
otima?
2.1
2.2
2.3
2.4
2.5
X1 0;
X2 0;
X1 1;
X2 2.5;
2X1 + 3X2 8.
45
Repare que . . .
a Soluc
ao Otima
est
a necessariamente (e pelo menos) num dos v
ertices do
Espaco das Soluc
oes Admissveis;
Otima
mude de v
ertice; como se relaciona essa mudanca com o conceito de Preco
Sombra?
46
Algoritmo Simplex
com restrico
es de igualdade
transformando desigualdades em igualdades introduzindo vari
aveis de folga.
n
ao h
a soluc
ao admissvel;
a soluc
ao
e
otima;
h
a mais do que uma soluc
ao
otima;
a func
ao objetivo
e ilimitada na regi
ao admissvel.
47
http://www.cccblog.org/2012/08/20/the-algorithm-that-runs-the-world/
48
O Algoritmo Simplex
move-se de uma soluc
ao
admissvel para outra,
melhorando
em
cada
passo o valor da func
ao
objetivo e termina depois
de realizar um n
umero
finito de movimentos.
http://en.wikipedia.org/wiki/File:Simplex-method-3dimensions.png
49
50
Planeamento da Produc
ao na BA
Modelo de Programac
ao Linear
Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,
Z = 50xVP + 60xA
30xA
5xA
5xA
xA
2000
300
200
0
(tempo no forno)
(espaco no armaz
em)
(capacidade do sector de decorac
ao)
Adicionando as vari
aveis de folga s1 , s2 and s3 :
Objetivo:
max 50xVP + 60xA
Sujeito a:
50xVP
+30xA
6xVP
+5xA
3xVP
+5xA
xVP ,
xA ,
+s1
+s2
s1 ,
s2 ,
+s3
s3
=
=
=
2000
300
200
0
51
XA
80
70
Objetivo:
max Z =
60
50xVP + 60xA
Sujeito a:
50xVP
+30xA
6xVP
+5xA
3xVP
+5xA
xVP ,
xA ,
50
Z = 50XVP + 60XA
40
+s1
+s2
s1 ,
s2 ,
+s3
s3
=
=
=
2000
300
200
0
30
20
10
Soluc
ao b
asica (admissvel):
xVP
Vari
aveis n
ao b
asicas:
xA
(
Vari
aveis b
asicas:
s1
s2
s3
Z=0
10
20
30
40
50
60
=0
=0
= 2000
= 300
= 200
70
80
XVP
52
XA
80
70
Objetivo:
max Z =
=
=
Sujeito a:
32xVP
3xVP
3
5 xVP
xVP ,
50xVP
50xVP
2400
60
+60xA
+60(40 53 xVP 15 s3 )
+14xVP
12s3
50
Z = 50XVP + 60XA
40
30
+s1
+s2
+xA
xA ,
s1 ,
s2 ,
s1
s2
xA
=
=
=
800
100
40
0
20
10
0
0
10
20
30
40
50
60
Soluc
ao b
asica (admissvel):
xVP
Vari
aveis n
ao b
asicas:
s3
Vari
aveis b
asicas:
6s3
s3
+ 15 s3
s3
=0
=0
= 800
= 100
= 40
Z = 2400
70
80
XVP
53
Objetivo:
max Z =
=
=
2400
2400
2750
+14xVP
12s3
1
s1 +
+14(25 32
7
16 s1 75
8 s3
3
16 s3 )
12s3
XA
80
70
Sujeito a:
xVP
60
1
+ 32
s1
3
32
s1
+s2
3
16
s3
25
7
16
s3
25
50
Z = 50XVP + 60XA
40
30
xVP ,
+xA
xA ,
3
s1
160
s1 ,
s2 ,
5
+ 16
s3
s3
25
0
20
10
Soluc
ao b
asica (admissvel):
s1
Vari
aveis n
ao b
asicas:
s3
(
Vari
aveis b
asicas:
x
VP
s
2
x
A
0
0
=0
=0
= 25
= 25
= 25
10
20
30
40
50
60
70
80
XVP
Esta soluc
ao
eo
tima porque um
aumento de s1 ou s3 reduc
ao de Z .
Z = 2750
54
otima;
Minimizac
ao se todos os custos marginais s
ao positivos ent
ao a soluc
ao
e
otima.
Se BAS n
ao
e
otima ent
ao ITERAR.
ITERAR :
1. Escolher a vari
avel que entra na base.4
Maximizac
ao a vari
avel n
ao b
asica com o custo marginal mais
positivo.
Minimizac
ao a vari
avel n
ao b
asica com o custo marginal mais
negativo.
2. Escolher a vari
avel que sai da base.
dividir os termos independentes de todas as equaco
es pelos coeficientes
positivos da vari
avel que entra na base;
a vari
avel que sai da base ser
a a vari
avel b
asica da equac
ao com o quociente
mais baixo;
se todos o coeficientes da vari
avel que entra na base s
ao negativos ou nulos
ent
ao a soluc
ao
e ilimitada.
H
a soluc
oes
otimas alternativas quando, na soluc
ao
otima, uma vari
avel n
ao b
asica tem um custo marginal nulo.
Se h
a mais do que uma vari
avel que cumpre as condic
oes de entrada ent
ao escolher uma arbitrariamente.
55
Planeamento da Produc
ao na BA
Algoritmo Simplex
Objetivo:
max
Sujeito a:
Objetivo:
max
Sujeito a:
Z =
Z =
50xVP +
60xA
50xVP +
6xVP +
3xVP +
xVP ,
30xA
5xA
5xA
xA
50xVP +
60xA
50xVP +
6xVP +
3xVP +
xVP ,
30xA +
5xA +
5xA +
xA ,
2000
300
200
0
s1
s2
s1 ,
s2 ,
s3
s3
= 2000
= 300
= 200
0
56
xVP
50
6
3
50
s1
s2
s3
Z
s1
xVP
160
5
xA
0
0
1
0
s2
xA
Z
xVP
s2
xA
Z
xA
30
5
5
60
3
5
14
xVP
1
0
0
0
xA
0
0
1
0
s1
1
0
0
0
s1
s2
0
1
0
0
s3
0
0
1
0
2000
300
200
0
s2
s3
30
5
800
0
0
0
1
0
0
100
40
2400
s1
5
160
15
160
3
160
7
16
s2
0
1
0
0
1
5
12
s3
3
16
7
16
5
16
75
8
25
25
25
2750
57
Determinac
ao de uma base inicial admissvel
Uma condic
ao importante para o funcionamento do algoritmo simplex
ea
disponibilidade de uma soluc
ao b
asica inicial, na forma can
onica.
Por vezes essa soluc
ao b
asica inicial n
ao
e evidente, ou nem mesmo se sabe se
existe (pode n
ao existir nenhuma soluc
ao admissvel!).
Soluc
ao:
Tentativa e erro resolver sucessivamente o sistema em ordem a diferentes conjuntos
de vari
aveis, reduzi-lo `
a forma can
onica e ver se a soluc
ao resultante
e admissvel.
Utilizac
ao de vari
aveis artificiais.
58
Utilizac
ao de vari
aveis artificiais
max
Pn
j=1
cj xj
sujeito a:
1. Converter o problema de PL para a forma
normalizada.
n
X
aij xj
= bi
i{1,...,m}
xj
j{1,...,n}
j=1
max
Pn
aij xj
= bi
i{1,...,k}
aij xj + yi
= bi
i{k+1,...,m}
xj
j{1,...,n}
ai
i{k+1,...,m}
sujeito a:
Nota: As vari
aveis artificiais n
ao t
em relev
ancia ou
significado no problema original (da serem designadas por artificiais). Apenas s
ao usadas para facilitar
a construc
ao de uma base inicial para o problema.
n
X
n
X
j=1
cj xj
j=1
j=1
3. O problema artificial s
o ser
a equivalente ao original se todas as vari
aveis artificiais tiverem
valor zero.
Objetivo: Fazer as vari
aveis artificiais sair da base. M
etodo das penalidades (Big M)
59
M
etodo das penalidades (Big M)
Atribuir `
as vari
aveis artificiais um custo muito elevado M (problema de
minimizac
ao) na func
ao objetivo.
O pr
oprio m
etodo simplex se encarregar
a, ao tentar melhorar a func
ao objectivo, de
expulsar as vari
aveis artificiais da base vari
aveis artificiais passam a valer zero.
min
Pn
j=1 cj xj
Pm
i=k+1
Myi
sujeito a:
n
X
aij xj
= bi
i{1,...,k}
aij xj + yi
= bi
i{k+1,...,m}
xj
j{1,...,n}
yi
i{k+1,...,m}
j=1
n
X
j=1
60
M
etodo das penalidades
Exemplo
Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1
Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1
3x1
x2
2x2
x2
x2
+
+
+
,
x3
2x3
x3
x3
3x1
x2
x3
2x2
x2
s1
x2
x3
2x3
x3
x3
+
+
+
,
x3
s1
s2
s2
11
3
1
0
=
=
=
11
3
1
0
61
Objetivo:
min
Z
Sujeito a:
x1
4x1
2x1
x1
3x1
x2
x3
2x2
x2
s1
x2
x3
2x3
x3
x3
+
+
+
,
s1
My1
My2
s2
y1
s2
y1
+
,
y2
y2
=
=
=
11
3
1
0
62
s1
y1
y2
Z
x1
1
4
2
3
6M
x2
2
1
0
1
M
x3
1
2
1
1
3M
s1
1
0
0
0
0
s2
0
1
0
0
M
y1
0
1
0
0
0
y2
0
0
1
0
0
11
3
1
0
4M
s1
y1
x3
Z
x1
3
0
2
1
0
x2
2
1
0
1
M
x3
0
0
1
0
0
s1
1
0
0
0
0
s2
0
1
0
0
M
y1
0
1
0
0
0
y2
1
2
1
1
3M
10
1
1
1
M
63
s1
x2
x3
Z
x1
x2
x3
Z
x1
3
0
2
1
0
x2
0
1
0
0
0
x3
0
0
1
0
0
s1
1
0
0
0
0
s2
2
1
0
1
0
x1
1
0
0
0
x2
0
1
0
0
x3
0
0
1
0
s1
s2
32
1
34
1
3
0
2
3
1
3
y1
2
1
0
1
M
y2
5
2
1
+1
M
1
3
12
1
1
2
0
4
1
9
2
Soluc
ao
otima: (x1 , x2 , x3 , s1 , s2 )? = (4, 1, 9, 0, 0) com Z ? = 2
64
Notas finais
A func
ao das vari
aveis artificiais
e apenas a de funcionar como vari
avel b
asica
numa dada equac
ao. Uma vez substituda na base por uma vari
avel original, pode
ser eliminada do quadro simplex (eliminando a respetiva coluna).
Se, no quadro
otimo, alguma vari
avel artificial ainda tiver um valor diferente de
zero, isso significa que o problema original n
ao tem nenhuma soluc
ao admissvel.
Ser
a ent
ao um problema impossvel.
65
Simplex
Exerccios
66
Problema B
5x1
10x1
x1
+
+
,
20x2
15x2
x2
400
450
0
67
Problema C
Resolva, pelo m
etodo Simplex, o seguinte problema de programac
ao linear:
max F = 2x1 + x2
s. t.:
x1
x1
x1
+
+
,
x2
x2
x2
2
4
0
68
Problema G
Resolva, pelo m
etodo Simplex, o seguinte problema de programac
ao linear:
min z = x1 + x2 + x3
s. t.:
x1
2x1
x1
x2
2x2
x2
x3
x3
1
2
0
69
Solver do Excel
70
Planeamento da produc
ao na BA
Modelo de Programac
ao Linear
Vari
aveis de decis
ao
xVP N
umero de lotes de garrafas de Vinho do Porto Ruby Sandeman a produzir;
xA N
umero de lotes de garrafas de Azeite Oliveira da Serra a produzir
Objetivo:
max
Sujeito a:
50xVP +
6xVP +
3xVP +
xVP ,
Z = 50xVP + 60xA
30xA
5xA
5xA
xA
2000
300
200
0
(tempo no forno)
(espaco no armaz
em)
(capacidade na decorac
ao)
Neste modelo n
ao vamos exigir que xVP e xA sejam inteiros.
71
Planeamento da produc
ao na BA
Modelo em Excel
C
odigo de cores:
Laranja Vari
aveis de Decis
ao
Azul Dados
Cinza F
ormulas
72
Planeamento da produc
ao na BA
Modelo em Excel
73
Planeamento da produc
ao na BA
Resoluc
ao pelo Solver Par
ametros e modelo no Solver
74
Planeamento da produc
ao na BA
Resoluc
ao pelo Solver Soluc
ao
optima
75
Planeamento da produc
ao na BA
Relat
orios do Solver Relat
orio de resposta
76
Planeamento da produc
ao na BA
Relat
orios do Solver Relat
orio de an
alise de sensibilidade
77
Solver do Excel
Exerccios
78
Volkswagen Autoeuropa I
A Volkswagen Autoeuropa produz 4 modelos de veculos: Scirocco, Eos, Sharan e Alhambra. A capacidade da
f
abrica de Palmela limita o total de produc
ao a um m
aximo de 200000 unidades por ano. Devido a restric
oes
derivadas da partilha de equipamentos de produc
ao, o total de unidades da Sharan e da Alhambra n
ao pode
exceder as 100000 unidades, assim como o total de unidades do Scirocco e do Eos n
ao pode exceder as 65000
unidades. A estrat
egia de marketing da Volkswagen exige que a produc
ao de monovolumes (Sharan e Alhambra)
constitua, no mnimo, 1,5 vezes a produc
ao dos modelos Scirocco e Eos. A poltica de protec
ao ambiental da
Volkswagen exige ainda que em cada uma da suas f
abricas o mix de produc
ao respeite uma m
edia de emiss
oes de
2
CO de, no m
aximo, 150 g/Km. Para cada modelo s
ao ainda conhecidos os lucros unit
arios, o potencial de vendas
2
e as emiss
oes de CO :
Modelo
Sharan
Alhambra
Eos
Scirocco
Lucro unit
ario (e)
4500
5000
3500
4000
Potencial de mercado
50000
20000
50000
100000
Emiss
oes de CO2 (g/Km)
146
152
148
172
Nas figuras 1, 2 e 3
e apresentado, respetivamente, o modelo em Excel e os relat
orios de resposta e de an
alise de
sensibilidade produzidos pelo Solver quando se resolveu o problema da maximizac
ao do lucro total da Autoeuropa.
1. Explique a que corresponde cada uma das linhas do modelo em Excel.
2. A partir do relat
orio de respostas indique qual a soluc
ao
otima e o seu valor. Identifique ainda as restrico
es
que s
ao ativas para esta soluc
ao
otima.
3. Recorrendo ao relat
orio de an
alise de sensibilidade indique:
79
Volkswagen Autoeuropa II
3.2 Atrav
es de uma poltica agressiva de descontos
e possvel aumentar o potencial de
mercado de cada um dos modelos. Para que modelo o impacto no lucro global seria
potencialmente maior? Porqu
e? Qual poderia ser o valor m
aximo do desconto?
Justifique.
3.3 Interprete o preco sombra da restric
ao da linha 14.
80
81
Volkswagen Autoeuropa IV
Figura 2: Relat
orio de resposta produzido pelo Solver.
82
Volkswagen Autoeuropa V
Figura 3: Relat
orio de an
alise de sensibilidade produzido pelo Solver.
83
Modelac
ao | problemas em redes
Modelac
ao | Problemas em redes Objetivos de Aprendizagem
84
F
abricas
P1
P2
P3
C1
2e
1e
1e
Clientes
C2
4e
5e
1e
C3
3e
2e
6e
85
P1
20
2
4
C1
10
3
P2
20
1
5
2
C2
30
1
P3
20
1
6
C3
20
86
Vari
aveis de decis
ao
xfc quantidade a transportar da f
abrica f para o cliente c.
Objetivo:
Minimizar o custo total dos transportes.
min
2x11
+4x12
+3x13
+x21
+5x22
+2x23
+x31
+x32
+6x33
Sujeito a:
Restrico
es de capacidade nas origens
x11
+x12
+x33
20
20
20
+x33
10
30
20
+x13
x21
+x22
+x23
x31
+x32
Restric
oes de necessidade nos destinos
x11
+x21
+x31
x12
+x22
x13
+x32
+x23
Vari
aveis maiores ou iguais a zero
x11 ,
5
x12 ,
x13 ,
x21 ,
x22 ,
x23 ,
x31 ,
x32 ,
x33
Objetivo:
min
XX
i
cij xij
Sujeito a:
X
xij di ,
xij nj ,
xij 0,
i,j
88
Problemas de Afetac
ao | Layout Fabril
Uma f
abrica possui quatro locais (1,2,3,4) para receber tr
es m
aquinas novas (A,B,C).
O local 4
e demasiado pequeno para conter a m
aquina A. O custo da manipulac
ao dos
materiais que s
ao processados nas m
aquinas, em euros/hora, envolvendo cada
m
aquina com as respetivas posico
es,
e o seguinte:
A
B
C
1
5
3
3
2
1
1
3
3
3
4
4
4
x
3
2
89
Problemas de Afetac
ao | Layout Fabril | Modelo I
Para escrever o modelo de programac
ao linear para o problema do Layout Fabril
e
necess
ario incorporar a restric
ao de impossibilidade de colocac
ao da m
aquina A no
local 4.
Essa restric
ao pode ser adicionada ao problema de uma forma direta, apenas n
ao
considerando essa vari
avel de decis
ao. Alternativamente pode-se considerar a vari
avel
e fix
a-la a 0 ou ent
ao pode-se associar um custo a essa afectac
ao que a impeca de
acontecer (na pr
atica pode-se usar um custo que seja mais alto do que todos os outros
custos).
A
B
C
1
5
3
3
2
1
1
3
3
3
4
4
3
2
90
Problemas de Afetac
ao | Layout Fabril | Modelo II
6
Vari
aveis de decis
ao
xml 1 se m
aquina m for colocada no local l; 0 caso contr
ario.
5xA1
+3xB1
+3xC 1
+1xA2
+1xB2
+3xC 2
+3xA3
+4xB3
+4xC 3
+xA4
+3xB4
+2xC 4
Sujeito a:
Todas as m
aquinas t
em de ser colocadas
xA1 +xA2 +xA3
xB1 +xB2 +xB3
xC 1 +xC 2 +xC 3
+xA4
+xB4
+xC 4
=
=
=
1
1
1
Problemas de Afetac
ao | Modelo Geral
Dados
cij custo de afetar origem i a destino j.
Vari
aveis de decis
ao
xij tem valor 1 se se afetar a origem i a destino j e tem valor 0 se n
ao;
xij {0, 1}.
Objetivo: Minimizar o custo total de afetac
ao
min
n
n X
X
cij xij
i=1 j=1
Sujeito a:
n
X
xij = 1,
i = 1...n
xij = 1,
j = 1...n
j=1
n
X
i=1
i,j
92
Problemas Fluxo M
aximo | MaxFlowBasic
O problema de fluxo m
aximo consiste na determinac
ao do fluxo m
aximo que pode
percorrer um grafo desde um n
o de origem at
e um n
o de destino.
Considere a rede representada na figura onde os n
umeros nos arcos correspondem `
a
capacidade m
axima de cada arco.
B
9
3
8
C
Pretende-se determinar o valor do fluxo m
aximo que
e possvel fazer circular pela rede
com entrada no n
o A e sada no n
o D.
Escreva o modelo de programac
ao linear para o problema de fluxo m
aximo
representado na figura.
93
Problemas Fluxo M
aximo | MaxFlowBasic | Modelo Excel
Data
AB AC BC BD CD
Capacities of the arcs 9 8 3 7 9
Decision Variables
AB AC BC BD CD
Flow in the arcs 8 8 1 7 9
Objective Function
max flow-in A
16
max flow-out D
16
9
16
Constraints
Node B
Node C
Capacities in the arcs
-1
1
-1
0 = 0
-1
0 = 0
8 8 1 7 9
<= <= <= <= <=
9 8 3 7 9
D
1
8
8
7
16
9
9
Problemas Fluxo M
aximo | Modelo Geral
Indices
N
o 1 N
o de entrada;
N
o t N
o de sada.
Dados
cij capacidade do ramo (i, j).
Vari
aveis de decis
ao
xij fluxo que passa no ramo (i, j), de i para j.
Objetivo: Maximizar o fluxo
max
X
j
Sujeito a:
X
i
xik =
xkj ,
x1j =
xit
xij cij ,
xij 0,
i,j
(restric
oes de capacidade)
i,j
95
Dada uma rede, pretende-se determinar o caminho mais curto entre dois n
os. A cada
ramo (i, j) est
a associada uma dist
ancia n
ao negativa dij e
e admissvel que dij 6= dji .
15
4
9
16
21
96
Data
AB AC BD CB CD CE DC DE DF EF
Length of the arcs 15 9 2 4 3 16 3 6 21 7
Decision Variables
AB AC BD CB CD CE DC DE DF EF
Arc belongs to min path?
0 1 0 0 1 0 0 1 0 1
Yes (1) No (0)
Objective Function
min Path AF
25
Constraints
Node B
Node C
Node D
Node E
Node A
Node F
-1
1
1
1
-1 -1 -1 1
1
-1 -1
1
1
-1
-1
1
1
0
0
0
0
1
1
=
=
=
=
=
=
0
0
0
0
1
1
Sujeito a:
X
iI
xij =
xjk ,
jN
(equilbrio dos n
os)
kF
xINIj = 1,
(do n
o inicial tem que sair um s
o caminho)
xiFIM = 1,
(ao n
o final tem que chegar um s
o caminho)
jF
X
iI
98
Modelac
ao | problemas em redes
Exerccios
99
Asa de Luxo
A1
8
10
9
6
A2
11
9
4
7
A3
10
9
8
5
Na reuni
ao marcada para tomar essas decis
oes o administrador da Asa de Luxo (que possui um
apartamento em Biarritz) disse que Biarritz seria necessariamente o destino de um dos tr
es avi
oes.
Por outro lado, o Director de Marketing considerou que, por uma quest
ao de estrat
egia, se deveria
atingir o maior n
umero possvel de destinos, n
ao enviando portanto mais do que um avi
ao para
cada destino.
O respons
avel pela manutenc
ao chamou a atenc
ao para o facto de os avi
oes A1 e A3 n
ao poderem
aterrar nas Ilhas Gregas.
Escreva o modelo de programac
ao linear que permitir
a decidir que avi
ao deve seguir para cada
destino e ganhe uma viagem gr
atis para duas pessoas, para um destino `
a sua escolha (oferecida
pela Asa de Luxo, claro!...).
100
Construtora de Avi
oes
Quantidades
a fornecer
10
15
25
20
Produc
ao
m
axima
25
35
30
10
Custo unit
ario
de produc
ao
1,08
1,11
1,10
1,13
Custo unit
ario
de armazenagem
0,015
0,015
0,015
O director de produc
ao quer saber quantos motores deve fabricar em cada m
es (e para que meses
de entrega) por forma a minimizar os custos globais de produc
ao e armazenagem.
Construa o modelo de programac
ao linear que permite resolver este problema.
101
P1
120
50/un
40/un
F1
4/un
23/un
L1
50
34/un
40/un
20/un
52/un
L2
70
45/un
P2
80
55/un
F2
3/un
38/un
L3
60
102
1
4
5
2
Durante a reuni
ao do Estado-Maior das Forcas Azuis, o general de 20 estrelas Foj (em c
odigo, como n
ao podia
deixar de ser) disse:
103
Siga as instruco
es dos generais Foj, Jac e Soj e construa um modelo de programac
ao linear que nos permita
determinar quais foram as decis
oes tomadas pelo Estado-Maior das Forcas Azuis, porque nos somos as Forcas Verdes!!!!
104
Tabuleiro
4
8
3
3
6
1
6
8
8
105
Modelac
ao | com vari
aveis inteiras
Modelac
ao | com vari
aveis inteiras Objetivos de Aprendizagem
106
Eventos UPorto
Parte I
No
ambito de um acordo de cooperac
ao entre a UPorto e uma instituic
ao financeira
foi decidido investir 200 000e em eventos culturais e desportivos a organizar nos
pr
oximos 5 anos, com o objetivo de reforcar os lacos no seio da Universidade e a
` equipa da UPorto que preparou os
marca UPorto na Cidade do Porto e no Pas. A
dados para decis
ao pelo Reitor foi pedido que, para cada evento proposto, fosse
indicado o orcamento previsto e o n
umero estimado de pessoas que participariam.
Na data prevista foram apresentados ao Reitor os resultados do trabalho da equipa.
Evento
(01) NU.Porto tudo
e teatro
(02) A Ci
encia nU.Porto
(03) Correr pelU.Porto
(04) Com U.Porto amanhecemos com livros
(05) U.Porto por dentro
(06) Festival de Tunas dU.Porto
(07) Depois das seis, U.Porto
e Jazz
(08) U.Porto s
ao s
o Coros
(09) U.Porto nos caminhos do Porto
(10) U.Porto sim U.Porto n
ao
Orcamento previsto
80 000e
40 000e
30 000e
15 000e
10 000e
30 000e
40 000e
20 000e
25 000e
20 000e
Participantes
100 000
10 000
10 000
5 000
20 000
10 000
30 000
25 000
50 000
30 000
Eventos UPorto
Parte I Resoluc
ao
Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:
pi xi
Restric
oes
Investimento disponvel:
oi xi
200 000e
108
Eventos UPorto
Parte II
Evento
(01)
(02)
(03)
(04)
(05)
(06)
(07)
(08)
(09)
(10)
NU.Porto tudo
e teatro
A Ci
encia nU.Porto
Correr pelU.Porto
Com U.Porto amanhecemos com livros
U.Porto por dentro
Festival de Tunas dU.Porto
Depois das seis, U.Porto
e Jazz
U.Porto s
ao s
o Coros
U.Porto nos caminhos do Porto
U.Porto sim U.Porto n
ao
Artes
Performativas
X
M
usica
Filosofia
Arquitetura
Literatura
Desporto
Ci
encia
X
X
X
X
X
X
X
X
X
X
X
X
109
Eventos UPorto
Parte II Resoluc
ao
Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:
pi xi
Restric
oes
Investimento disponvel:
o1 x1 +
o2 x2 +
o3 x3 +
o4 x4 +
o5 x5 +
Pelo menos um evento Artes Performativas:
x1 +
Pelo menos um evento M
usica:
Pelo menos um evento Filosofia:
o6 x6 +
o7 x7 +
o8 x8 +
x6 +
x7 +
x8
x6 +
x7 +
x8
o9 x9 +
o10 x10
x10
x9
200 000e
1
110
Eventos UPorto
Parte III
111
Eventos UPorto
Parte III Resoluc
ao
Dados
oi Orcamento previsto para o evento i (em e);
pi N
umero de participantes previstos para o evento i;
Vari
aveis de decis
ao
xi vari
avel bin
aria; =1 se o evento i for organizado; =0 se n
ao for
organizado.
Func
ao objetivo
Maximizar n
umero de participantes:
pi xi
Restric
oes
Investimento disponvel:
o1 x1 +
o2 x2 +
o3 x3 +
o4 x4 +
o5 x5 +
o6 x6 +
o7 x7 +
o8 x8 +
Se Festival de Tunas ent
ao n
ao U.Porto s
ao s
o coros:
x6 +
x8
Se UPorto sim UPorto n
ao ent
ao Com UPorto amanhecemos com livros
x4
o9 x9 +
o10 x10
x10
200 000e
112
Modelac
ao de operac
oes l
ogicas entre restric
oes
Disjunc
ao apenas uma de duas restric
oes est
a ativa
f (xi ) 0 g (xi ) 0
Seja M um n
umero muito grande e uma vari
avel bin
aria:
f (xi )
g (xi )
M
(1 )M
113
Modelac
ao de operac
oes l
ogicas entre restric
oes
K , de entre N restric
oes, s
ao verificadas
f1 (xi )
f2 (xi )
fN (xi )
..
.
d1
d2
dN
f1 (xi )
f2 (xi )
f (xi )
PN
i=1 i
..
.
d1 + 1 M
d2 + 2 M
dN + N M
N K
{0, 1}
N
umero muito grande
114
Modelac
ao de operac
oes l
ogicas entre restric
oes
Func
oes com apenas N valores possveis
f (xi ) = d1 ou = d2 ou . . . ou = dN
(f (xi ) {d1 , d2 , . . . , dN })
f (x )
PN i
i=1 i
=
=
PN
i=1 i di
1
{0, 1}
115
Modelac
ao de operac
oes l
ogicas entre restric
oes
Implicac
ao de condic
oes
se E > P V Q
A implicac
ao de condic
oes
e modelizada com o auxlio de uma vari
avel de
decis
ao suplementar e de um majorante M para os valores que as condic
oes
possam tomar.
Tomando ent
ao uma vari
avel auxiliar inteira bin
aria {0, 1}, a implicac
ao
pode ser formulada do seguinte modo:
E P M
Q V (1 )M
0
0
{0, 1}
(1)
(2)
(3)
116
F
abrica de Papel
A maior f
abrica de papel do mundo (vdeo)
Carretel
n Bobinas
n Laminas
F
abrica de Papel Resoluc
ao
O primeiro passo para a formulac
ao deste problema passa por determinar de quantas formas pode um jumbo ser
cortado. Para al
em da forma sugerida no enunciado (2 rolos de 200 cm, sobrando 40 cm de desperdcio) podem
ainda ser determinados 6 outros padr
oes de corte (ver tabela).
As vari
aveis de decis
ao (x1 a x7 ) correspondem ao n
umero de vezes que cada padr
ao de corte
e aplicado no corte
de um jumbo. A tabela seguinte apresenta ainda as quantidades pedidas de cada rolo, assim como o desperdcio
gerado por cada padr
ao de corte.
Largura
dos rolos
280
200
150
Desperdcio
x1
2
0
0
40
x2
1
1
0
120
x3
1
0
2
20
x4
0
3
0
0
x5
0
2
1
50
x6
0
1
2
100
x7
0
0
4
0
No de rolos
pedidos
30
60
48
Exemplificando, x3 = 4 significa que se cortam 4 jumbos em 1 rolo de 280 cm e 2 rolos de 150 cm, gerando um
desperdcio de 20 cm. No total obt
em-se 4 rolos de 280 cm e 8 de 150 cm (e nenhum de 200 cm).
As restric
oes v
ao estar directamente relacionadas com as quantidades de rolos pequenos que
e necess
ario cortar e
e
necess
aria uma restric
ao por cada dimens
ao de rolo. Se a cada linha do sistema de inequac
oes corresponde um tipo
de rolo pequeno, a cada coluna corresponder
a um padr
ao de corte:
2x1
x2
x2
x3
2x3
3x4
+
+
2x5
x5
+
+
x6
2x6
4x7
xi
30
60
48
0 1i7
O objetivo do problema
e minimizar o desperdcio. No entanto, dado que nas restric
oes estamos a admitir
sobreproduc
oes e dado que h
a dois padr
oes de corte com desperdcio nulo, a func
ao objetivo ter
a de minimizar o
n
umero total de padr
oes de corte (igual ao n
umero de jumbos cortados):
min x1 + x2 + x3 + x4 + x5 + x6 + x7
E se as restrico
es tiverem que ser satisfeitas como igualdades, isto
e, e se n
ao forem admitidas sobreproduco
es?
Nesse caso como
e que o modelo deve ser alterado?
118
F
abrica de Papel (mnimos de produc
ao)
e necess
ario cortar no mnimo 15 rolos.
Mnimos de produc
ao
i xi = 0 ou xi 15
Seja M um n
umero muito grande e i vari
aveis bin
arias:
xi
xi
15i
Mi
119
Modelac
ao | com vari
aveis inteiras
Exerccios
120
Manutenc
ao no Aeroporto Aletrop
O aeroporto de Aletrop
e a base dos avi
oes da companhia a
erea PAT. Trata-se de um aeroporto moderno, e de uma empresa de aviac
ao
em expans
ao, que pretende manter a sua competitividade num sector de actividade fortemente concorrencial. O aumento de
competitividade passa, nomeadamente, pela realizac
ao de dois objectivos, a melhoria da qualidade de servico e a reduc
ao dos custos de
operac
ao. Por outro lado, a seguranca de uma companhia a
erea
e um aspecto de primordial import
ancia, estando intimamente ligado `
a
manutenc
ao. Para manter um avi
ao em boas condic
oes t
ecnicas, procede-se `
a manutenc
ao preventiva aos aparelhos da PAT, atrav
es de
pequenas inspecco
es entre aterragem e posterior descolagem. A direcc
ao da empresa est
a tamb
em a considerar a hip
otese de oferecer
estes servicos de manutenc
ao a outras companhias de aviac
ao, mesmo que para tal tenha que aumentar `
as equipas de manutenc
ao. O
elemento crucial nestas equipas
e o chefe de manutenc
ao, t
ecnico altamente qualificado, que necessita de fazer formac
ao especfica para
cada tipo de avi
ao e obter assim uma licenca imprescindvel para o desempenho dessas func
oes. A cada licenca corresponde uma categoria
de avi
oes, existindo 4 licencas diferentes:
Tipos de licencas
1
2
3
4
Avi
oes
Boeing 717 (100 lugares)
Boeing 777 (300 a 500 lugares)
Airbus A319 (124 lugares)
Airbus A340 (350 lugares)
Cada t
ecnico pode ter no m
aximo 2 licencas. A primeira licenca demora v
arios anos a obter, sendo portanto mais cara para a empresa,
enquanto a segunda licenca demora menos anos a obter, ficando naturalmente mais barata. O custo da segunda licenca depende ainda da
licenca anterior que o t
ecnico possui. Actualmente existem 9 equipas de manutenc
ao, cada uma chefiada por um t
ecnico licenciado, que
funcionam em 3 turnos.
Licenca
anterior
0
1
2
3
4
Turno
Custo (M$)
Licenca a tirar
1
2
1
1
1
2
4
1
3
2
3
2
2
2
1
1
4
4
3
3
2
-
2
3
Chefe de equipa
1
2
3
4
5
6
7
8
9
Tipo de licenca
1, 2
1
2
3, 4
2
3
4
3, 4
3
Locais de emerg
encia na cidade de Metropolis I
9
Zona
Zona
Zona
Zona
Zona
Zona
Zona
Zona
Zona
Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9
L1
0
1
0
0
1
1
1
0
1
L2
1
0
1
1
0
0
0
0
0
L3
0
0
0
1
1
0
0
1
0
L4
1
0
0
0
0
1
0
1
0
L5
0
0
0
1
1
0
0
1
1
L6
0
1
1
1
0
1
0
0
0
L7
1
1
1
0
0
0
1
0
0
A cidade pretende garantir a cobertura das 9 zonas dentro da janela de tempo especificada, usando o menor
n
umero possvel de locais para os veculos de emerg
encia. Escreva o modelo para este problema.
Partindo sempre do problema inicial, acrescente as seguintes restric
oes:
1. De entre os locais L1, L3 e L4
e necess
ario escolher pelo menos dois.
2. De entre os locais L5, L6 e L7
e obrigat
orio escolher exatamente dois.
3. Os locais L3 e L4 n
ao podem ser ambos escolhidos.
4. Se o local L2 for escolhido ent
ao o local L7 tamb
em deve ser escolhido.
P
agina 320 livro Powell and Baker: Management Science The Art of Modelling with Spreadsheets
122
Produc
ao de Rel
ogios para os Terminais de Heathrow I
10
Um fabricante de rel
ogios pretende comercializar quatro modelos do seu cat
alogo (M1, M2, M3
e M4) em lojas dos terminais do aeroporto de Heathrow. O fabricante prop
os a v
arias lojas
localizadas nos terminais 1, 3 e 4 pagar-lhes uma determinada percentagem do lucro bruto
(diferenca entre o preco de venda ao p
ublico e o custo total de produc
ao) gerado pela
comercializac
ao dos rel
ogios.
Mostraram receptividade a este neg
ocio duas lojas no terminal 1 (L1 e L2), tr
es no terminal 3 (L3,
L4 e L5) e uma no terminal 4 (L6). Cada uma das lojas poder
a comercializar um ou mais modelos
de rel
ogios. O fabricante n
ao quer vender o mesmo modelo de rel
ogio em mais do que uma loja de
cada um dos terminais, de forma a evitar a concorr
encia entre lojas localizadas no mesmo terminal.
O n
umero de rel
ogios de cada um dos modelos que as diferentes lojas prev
eem conseguir vender
semanalmente encontra-se na tabela seguinte.
Modelo
M1
M2
M3
M4
L1
10
15
8
4
L2
12
10
6
3
Lojas
L3
L4
8
20
5
9
5
7
7
2
L5
15
8
4
2
L6
10
5
2
1
Os custos vari
aveis de produc
ao de um rel
ogio (incluindo mat
eria prima e m
ao de obra), bem como
os custos fixos de produc
ao de cada um dos modelos (resultante da preparac
ao da linha de
montagem para a produc
ao de um determinado modelo) s
ao os indicados na tabela seguinte.
Modelo
M1
M2
M3
M4
Custos de Produc
ao de cada modelo
(em u.m.)
Vari
aveis
Fixos
5
120
6
100
7
75
9
200
123
Produc
ao de Rel
ogios para os Terminais de Heathrow II
1
22
35
30
26
Terminal
3
28
42
40
32
4
30
42
45
28
10
Resoluc
ao de Problemas com
Vari
aveis Inteiras
Resoluc
ao de Problemas com Vari
aveis Inteiras Objetivos de Aprendizagem
125
Resoluc
ao de Problemas com Vari
aveis Inteiras
Resolver o PL com Simplex e arredondar?
126
Resoluc
ao de Problemas com Vari
aveis Inteiras
Testar todas as soluc
oes? S
ao menos de 20. . .
127
Resoluc
ao de Problemas com Vari
aveis Inteiras
Testar todas as soluc
oes? S
ao 1030 !
Se o n
umero de eventos a considerar fosse 100, como cada vari
avel de decis
ao podia
tomar 2 valores (0 ou 1) haveria 2 2 2 . . . 2 = 2100 1030 soluco
es
alternativas a avaliar.
o
E
bvio que algumas dessas soluc
oes seriam n
ao admissveis mas n
ao
e possvel avaliar
se uma soluc
ao cumpre ou n
ao as restric
oes sem antes a gerar. Isso tornaria este
m
etodo de testar todas as soluc
oes impratic
avel.
Considerando que o universo tem aproximadamente 1010 anos, se desde o incio do
universo se tivessem avaliado 1020 soluc
oes por ano, ou 4 1012 por segundo,
estaramos agora a acabar de resolver o problema.
128
M
etodos exatos para resoluc
ao de problemas de Programac
ao Inteira ou
Mista
Relaxac
ao Se n
ao considerarmos uma ou mais restrico
es do Problema
Original (PO), podemos transformar PO num Problema Relaxado
(PR) mais simples de resolver.
Se PO for um problema de minimizac
ao, os valores
otimos da
func
ao objetivo relacionam-se da seguinte forma:
?
?
fPR
fPO
129
Resoluc
ao de um problema com B&B
+
,
4y
2y
y
3.5
10
9
Z0+
Soluc
ao
otima:
(x, y ) = (1, 4); F = 31
130
Resoluc
ao da relaxac
ao linear do problema, LP0
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
+
,
4y
2y
y
3.5
10
9
0
Soluc
ao
otima:
(x, y ) = (3.5, 3.5); F = 35
131
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
x
+
,
4y
2y
y
3.5
10
9
0
Soluc
ao
otima:
(x, y ) = (3, 3.6); F = 34.5
132
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
x
+
,
4y
2y
y
3.5
10
9
0
Sem soluc
ao admissvel
133
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
+
,
4y
2y
y
3.5
10
9
0
3
3
Soluc
ao
otima:
(x, y ) = (3, 3); F = 30
(x, y Z0+ )
134
max F = 3x + 7y
s. t.:
x
5x
4
x
7
+
,
4y
2y
y
3.5
10
9
0
3
4
Soluc
ao
otima:
(x, y ) = (1.7, 4); F = 33.2
135
max F = 3x + 7y
s. t.:
x
5x
4
x
7
+
,
4y
2y
y
x
y
x
3.5
10
9
0
3
4
1
Soluc
ao
otima:
(x, y ) = (1, 4.2); F = 32.5
136
max F = 3x + 7y
s. t.:
x
5x
4
x
7
+
,
4y
2y
y
x
y
x
3.5
10
9
0
3
4
2
Sem soluc
ao admissvel.
137
max F = 3x + 7y
s. t.:
x
5x
4
x
7
x
+
,
4y
2y
y
x
y
x
y
3.5
10
9
0
3
4
1
4
Soluc
ao
otima:
(x, y ) = (1, 4); F = 31
(x, y Z0+ )
138
max F = 3x + 7y
s. t.:
x
5x
4
x
7
+
,
4y
2y
y
x
y
x
y
3.5
10
9
0
3
4
1
5
Sem soluc
ao admissvel
139
Arvore
de Branch-and-Bound
LP_0
(soluo
no
inteira)
x
=
3.5
y
=
3.5
F
=
35
x
<=
3
x
>=
4
LP_01
(soluo
no
inteira)
x
=
3
y
=
3.6
F
=
34.5
LP_02
(sem
soluo)
y
<=
3
y
>=
4
LP_011
(soluo
inteira)
x
=
3
y
=
3
F
=
30
LP_012
(soluo
no
inteira)
x
=
1.7
y
=
4
F
=
33.2
x
<=
1
x
>=
2
LP_0121
(soluo
no
inteira)
x
=
1
y
=
4.2
F
=
32.5
LP_0122
(sem
soluo)
y
<=
4
y
>=
5
LP_01211
(soluo
inteira
Bma)
x
=
1
y
=
4
F
=
31
LP_01212
(sem
soluo)
140
Limites
Limites (inferiores e superiores):
tornam o algoritmo de Branch-and-Bound mais eficiente ao permitir descartar
n
os da
arvore de pesquisa ainda n
ao completamente explorados, pela certeza de
que nunca originar
ao soluc
oes melhores do que as que j
a temos.
permitem medir a dist
ancia (em termos de valor da func
ao objetivo) a que
estamos da soluc
ao o
tima.
Problema de Maximizao
F
Limite Superior LS
Valor da funo objetivo no n mais
promissor ainda no explorado
Soluo tima inteira F*
(desconhecida)
F*- LI LS - LI
Limite Inferior LI
Melhor soluo inteira encontrada
(com o valor mais alto da funo
objetivo)
um limite inferior LI
e dado por
uma soluc
ao inteira que se tenha
j
a obtido a soluc
ao
otima F ?
nunca poder
a ser pior (inferior)
do que a soluc
ao inteira que j
a
temos;
um limite superior LS ser
a dado
pelo maior valor da func
ao
objetivo de entre todos os n
os
ainda n
ao completamente
explorados
(a maior esperanca que ainda
temos de encontrar uma soluc
ao
inteira melhor do que aquela que
j
a temos).
141
LP_2
(soluo
no
inteira)
Z
=
85
LP_6
(soluo
inteira)
Z=
70
LP_8
(sem
soluo)
1.
2.
3.
4.
5.
6.
7.
LP_3
(soluo
no
inteira)
Z
=
91
LP_7
(soluo
no
inteira)
Z
=
79
LP_4
(soluo
inteira)
Z=
60
LP_5
(soluo
no
inteira)
Z
=
75
LP_9
(soluo
no
inteira)
Z
=
65
(integer solu3on)
(3)
20
(5)
40
(6)
21,2
(integer solu3on)
(7)
21,2
144
Quest
oes em aberto
Dado um conjunto de n
os ainda n
ao explorados, como escolher o n
o seguinte a
explorar?
Pesquisa em profundidade
Selec
ao do n
o que est
a mais fundo na
arvore (
ultimo n
o a ser gerado).
Pesquisa em largura
Selec
ao do n
o que est
a mais acima na
arvore (o n
o mais antigo ainda n
ao explorado).
P0
P0
P1
P1
P2
P3
P3
P2
P4
P5
P6
P4
Pesquisa pelo n
o mais promissor:
Selec
ao do n
o que tem melhor valor de
func
ao objetivo (aquele que potencialP5
P6
mente nos pode levar `
a melhor soluc
ao
inteira).
Depois de selecionado o n
o a explorar, que vari
avel escolher para ramificac
ao, de
entre todas as vari
aveis que n
ao tomam valores inteiros?
A vari
avel a escolher depender
a da aplicac
ao e do significado fsico de cada uma
das vari
aveis.
145
Resoluc
ao de Problemas com Vari
aveis
Inteiras
Exerccios
146
Problema PID
Para um problema de programac
ao inteira foi construda a
arvore de
Branch-and-Bound representada na figura.
Na
arvore est
a representada a ordem de criac
ao dos n
os, bem como o valor da func
ao
objetivo sempre que existe soluc
ao.
N
0
93
N
1
84
N
3
79
N
5
52
N
7
Sem
soluo
N
2
82
N
4
76
N
6
29
N
8
49
Soluo
inteira
N
9
64
N
10
81
N
11
71
N
13
47
N
12
69
N
14
38
Soluo
Inteira
1. Que informac
ao se pode extrair desta
arvore?
2. Que n
os ainda
e necess
ario explorar?
147
Z =x +y
suj. a:
x + 3, 7y
0, 25x + 0, 75y
y
x, y
18
0
2
0 e
inteiras
148
otima, utilizando o m
etodo de Branch-and-Bound, tendo obtido at
e ao momento a
N 1
X = 8,1
Y = 2,7
Z = 10,8
X9
X8
N 2
X=8
Y = 2,7
Z = 10,7
Y2
Y3
N 3
X=6
Y=2
Z=8
N 4
X = 6,9
Y=3
Z = 9,9
X6
X7
N 5
X=6
Y = 3,2
Z = 9,2
149
1. A IOCOP n
ao sabe se deve continuar com a ramificac
ao da
arvore, ou se deve
utilizar somente a informac
ao que possui at
e ao momento.
Se utilizasse somente a informac
ao que possui at
e ao momento:
1.1 Quantas bolsas coletivas e quantas bolsas individuais deveria a COP atribuir?
1.2 Quantas bolsas o COP poderia estar a deixar de atribuir?
4. Ap
os a resoluc
ao do sub-problema do N
o 5, a IOCOP pretende saber se j
a
encontrou a soluc
ao
otima do problema inicial. Valeu a pena a resoluc
ao deste
sub-problema adicional? Justifique.
11
A partir da descric
ao de um projeto, incluindo a lista de atividades e as respetivas
preced
encias assim como a durac
ao m
edia e o desvio-padr
ao de cada atividade:
desenhar a rede de atividades, na notac
ao de atividades nos n
os;
calcular, para cada atividade, as datas de incio mais cedo e mais tarde, assim como as
datas de fim mais cedo e mais tarde;
calcular, para cada atividade, as folgas livres e totais;
determinar o caminho crtico do projeto.
No caso de duraco
es probabilsticas (PERT), calcular:
a probabilidade do projeto ter uma durac
ao diferente da durac
ao m
edia;
a durac
ao associada a uma probabilidade dada.
151
Noc
oes gerais sobre Planeamento e Controlo de Projetos
Definic
ao de Projeto:
Conjunto de atividades inter-relacionadas cuja realizac
ao procura satisfazer um
conjunto de objectivos organizacionais.
Exemplos de projetos:
construc
ao de um edifcio;
lancamento de um novo produto no mercado;
organizac
ao de uma exposic
ao.
Caractersticas de um projeto:
durac
ao limitada;
singularidade, como resultado da especificidade dos objectivos a atingir; das atividades a
realizar; dos recursos necess
arios e/ou disponveis e da organizac
ao encarregada de o
levar a cabo.
Objectivos fundamentais:
o projeto deve ser completado a tempo;
o projeto deve ter um custo t
ao baixo quanto possvel
152
Planeamento
identificac
ao e caracterizac
ao de objectivos, atividades, recursos disponveis e necess
arios
definic
ao e proposta de um plano de actuac
ao
Controlo
detecc
ao e interpretac
ao de desvios relativamente ao planeado
desencadeamento de medidas corretivas (refazer dinamicamente o plano)
153
1.
2.
3.
4.
5.
6.
7.
8.
9.
iniciac
ao do projeto;
planeamento;
arranque da execuc
ao das atividades;
execuc
ao das atividades;
recolha de informac
ao;
avaliac
ao dos resultados;
alterac
ao do plano;
termo do projeto;
processamento de informac
ao e arranque de novos projetos.
154
Representac
ao Gr
afica de Projetos
Necessidades
conhecimento detalhado dos trabalhos a realizar;
identificac
ao das atividades nas quais o projeto se decomp
oe.
Caracterizac
ao das atividades :
interdepend
encia em relac
ao a outras atividades (relac
oes de preced
encia);
durac
ao;
utilizac
ao de recursos;
custo de execuc
ao.
155
Representac
ao Gr
afica de Projetos
Lancamento de produto no mercado
Atividade
A
B
C
D
E
F
G
H
I
J
K
L
M
Descric
ao
Organizar o departamento de vendas
Contratar o pessoal de vendas
Treinar o pessoal contratado
Selecionar uma ag
encia de publicidade
Planear a campanha publicit
aria
Executar a campanha publicit
aria
Conceber a embalagem
Montar o processo de embalagem
Adquirir o produto ao fabricante
Embalar o stock inicial
Selecionar os distribuidores
Vender o produto aos distribuidores
Enviar o produto aos distribuidores
Durac
ao (semanas)
6
4
7
2
4
10
2
10
13
6
9
3
5
Atividades
imediatamente
precedentes
A
B
A
D
E
G
H,I
A
C,K
J,L
156
Representac
ao Gr
afica de Projetos
Diagrama de Gantt
Lancamento de produto no mercado
A
B
C
D
E
F
G
H
I
J
K
L
M
10
15
20
25
Tempo
(semanas)
157
Representac
ao gr
afica de Projetos
Rede com atividades nos arcos
Lancamento de produto no mercado
2
A
K
B
5
G
10
J
H
158
Representac
ao gr
afica de Projetos
Redes com atividades nos n
os
A
B
159
Representac
ao gr
afica de Projetos
Rede com atividades nos n
os
Lancamento de produto no mercado
K
L
B
START
END
I
J
G
160
M
etodo CPM
ESi - earliest start | EFi - earliest finish
ESm
EFm
dm
ESi
k
ESn
EFi
di
n
EFn
dn
161
M
etodo CPM
ESi - earliest start | EFi - earliest finish
Lancamento de produto no mercado
START
A
6
I 13
13
G
2
D
2
E
4
12
12
B
4
10
10
C
7
17
17
K
9
15
J
6
19
H
10
12
13
F 22
10
L
3
20
20
M 25
5
ES X
d
25 END 25
0
EF
162
M
etodo CPM
LFi - latest finish | LSi - latest start
Data de conclus
ao mais afastada da atividade i corresponde `
au
ltima data em que
e
possvel terminar a atividade sem atrasar o projeto.
m
dm
LFm
LSm
di
LFi
n
dn
LSn
LFn
163
M
etodo CPM
LFi - latest finish | LSi - latest start
Lancamento de produto no mercado
D
2
9
0 Incio 0
0
0
0
A
6
I
13
B
4
11
11
10
10
10
10
13
14
E
4
C
7
K
9
12
12
15
15
17
17
17
17
F
10
22
25
L
3
20
20
20
20
M
5
25
15
ES
17
LS
0
2
G
2
H
10
12
13
14
14
J
6
25 Fim 25
0
25
25
25
X
d
EF
LF
19
20
164
M
etodo CPM | Folgas das Atividades
TSi - total slack FSi - free slack
Total Slack m
aximo atraso que o termo de uma atividade pode sofrer (em relac
ao `
a
sua data mais pr
oxima de conclus
ao EF ), sem que isso implique um
atraso no projeto.
TSi = LFi EFi
Free Slack m
aximo atraso que o termo de uma atividade pode sofrer (em relac
ao `
a
sua data mais pr
oxima de conclus
ao EF ), sem impedir que as atividades
subsequentes possam ter incio nas respetivas datas de incio mais
pr
oximas.
FSi = mink{m...n} (ESk ) EFi
ESi
EFi
FSi
di
TSi
LSi
LFi
ESm
EFm
FSm
dm
TSm
LSm
LFm
k
ESn
EFn
FSn
dn
TSn
LSn
LFn
165
M
etodo CPM | Folgas das Atividades
Lancamento de produto no mercado
0 START 0
0 0 0
0
0
0
0
0
A
6
6
0
6
0
0
1
I 13
13 1
14
0
0
2
G
2
2
2
4
6
0
9
D
2
8
3
11
8
0
11
E
4
12
3
15
12 F 22
3 10 3
15
25
6
0
6
B
4
10
0
10
10
0
10
C
7
17
0
17
17
0
17
6
2
8
K
9
15
2
17
13
1
14
J
6
19
1
20
2
1
4
H 12
10 2
14
L
3
20
0
20
20
0
20
M
5
25
0
25
ES X
FS d
LS
25 END 25
0 0 0
25
25
EF
TS
LF
166
M
etodo CPM
Resumo - earliest start
16
1
max(1, 2) = 2
I
3
19
ES X EF
FS d TS
LS
LF
167
M
etodo CPM
Resumo - earliest finish
5
2+3=5
2
I
3
16
19
ES X EF
FS d TS
LS
LF
168
M
etodo CPM
Resumo - latest finish
16
2
I
3
5
16
min(16, 19) = 16
3
19
ES X EF
FS d TS
LS
LF
169
M
etodo CPM
Resumo - latest start
16
2
I
3
13
N
4
16 - 3 = 13
5
16
6
19
ES X EF
FS d TS
LS
LF
170
M
etodo CPM
Resumo - total slack
16
2
I
3
13
5
11
16
5
6
16 - 5 = 11
19
ES X EF
FS d TS
LS
LF
171
M
etodo CPM
Resumo - free slack
min(5, 6) - 5 = 0
16
2
0
13
N
I
3
5
11
16
6
19
ES X EF
FS d TS
LS
LF
172
M
etodo CPM
Caminho Crtico
Caminho Crtico
Caminho mais longo (demorado) que
liga o n
o INICIO ao n
o FIM.
Caminho Crtico determina a durac
ao possvel do projeto e
e constitudo pelas
atividades crticas.
Atividades Crticas t
em uma folga total igual a zero.
173
M
etodo CPM | Caminho crtico
Lancamento de produto no mercado
0 START 0
0 0 0
0
0
0
0
0
A
6
6
0
6
0
0
1
I 13
13 1
14
0
0
2
G
2
2
2
4
6
0
9
D
2
8
3
11
8
0
11
E
4
12
3
15
12 F 22
3 10 3
15
25
6
0
6
B
4
10
0
10
10
0
10
C
7
17
0
17
17
0
17
6
2
8
K
9
15
2
17
13
1
14
J
6
19
1
20
2
1
4
H 12
10 2
14
L
3
20
0
20
20
0
20
M
5
25
0
25
ES X
FS d
LS
25 END 25
0 0 0
25
25
EF
TS
LF
174
M
etodo CPM considera que as duraco
es das atividades s
ao determinsticas.
M
etodo PERT
e um m
etodo de planeamento e controlo de projetos que entra em
linha de conta com a incerteza associada `
a durac
ao das atividades.
175
PERT | Durac
ao das atividades
Se durac
ao de uma atividade pode
ser descrita estatisticamente por uma
distribuic
ao Beta ent
ao:
=
2 =
(Dpe Dop )2
36
176
An
alise estoc
astica das redes de atividades
Durac
ao total do projeto
e igual `
a soma das durac
oes das atividades do caminho
crtico:
DT = D1 + D2 + D3 + . . . + Dn
Como as durac
oes das atividades s
ao vari
aveis aleat
orias, DT tamb
em ser
a uma
vari
avel aleat
oria com m
edia T dada por:
T = 1 + 2 + 3 + . . . + n
Admitindo que as durac
oes das atividades s
ao vari
aveis aleat
orias independentes, a
2 ser
vari
ancia da durac
ao total T
a:
2 = 2 + 2 + 2 + . . . + 2
T
n
3
2
1
PERT | Exemplo
E
20
A
8
Incio
0
B
8
D
9
Ativ.
F
11
G
9
A
B
C
D
E
F
G
H
Fim
0
H
12
C
6
Dop
6
2
4
3
18
9
3
9
Durac
oes (dias)
Dmp
Dpe
7
14
9
10
6
8
10
11
19
26
10
17
10
11
12
15
8
8
6
9
20
11
9
12
2
1.77
1.77
0.44
1.77
1.77
1.77
1.77
1
Durac
ao m
edia do projeto: T = A + D + G + H = 38
2 = 2 + 2 + 2 + 2 = 6.31
Vari
ancia da durac
ao do projeto: T
A
D
G
H
A vari
avel transformada D 0 =
3438
)
6.31
A limpeza do ShopShopping
12 Quando um centro comercial fecha ao p
ublico continua a fervilhar de vida no seu
preciso limpar, esvaziar contentores, repor stocks nas lojas, fazer
interior. E
manutenc
ao, etc., para que no dia seguinte tudo brilhe como no dia da inaugurac
ao.
Estas tarefas t
em que ser levadas a cabo de uma forma organizada e respeitando
algumas preced
encias entre elas. A sua durac
ao n
ao
e determinstica, mas a
experi
encia acumulada de outros centros comerciais permite estabelecer que a durac
ao
de cada atividade segue uma distribuic
ao normal com m
edia e desvio-padr
ao
conhecidos.
Na tabela seguinte apresenta-se essa informac
ao:
Atividades
Recolha de resduos (RL)
Lavagem de vidros e montras (LVM)
Limpeza do ch
ao (LC)
Desinfestac
ao (D)
Montagem de estruturas e andaimes (MEA)
Manutenc
ao el
ectrica (ME)
Reposic
ao de stocks (RS)
Decorac
ao (DEC)
Atividades imediatamente
anteriores
D,MEA
LVM,DEC,RS
MEA
RL
RL,ME,D,MEA
(horas)
2
3
4
2
1
2
2
1
(horas)
0.5
1
0.5
0
0
1
1
1
0
0
0
START
0
0
0
0
0
1
RL
0
0
0
2
1
3
2
1
3
2
0
2
1
0
2
0 MEA 1
0 1 1
1
2
RS
ME
4
1
5
3
1
4
5
0
5
3 DEC 4
1 1 1
4
5
LC
9
0
9
2 LVM 5
0 3 0
2
5
ES
EF
FS
TS
LS
LF
02 + 12 + 0.52 = 1.25
2+3+4=9
P(D 10) = P
10 9
Z
1.25
1.25 = 1.118
13
181
Banco TTM
O banco TTM (Tost
ao a Tost
ao se faz um Milh
ao) decidiu transferir e ampliar a sua
sede e servicos centrais para a cidade do Porto. Este projeto foi dividido em tarefas,
tendo as suas preced
encias sido estabelecidas e os tempos de execuc
ao m
edios, e seus
desvios-padr
ao, estimados:
Atividade
LO
OA
ME
RTF
PAI
II
PAM
IM
M
1.
2.
3.
4.
Descric
ao
Obtenc
ao de licencas de obras
Obras de alterac
ao do edifcio
Medic
ao do espaco
Recrutamento e treino dos funcion
arios
Planeamento e aquisic
ao de infra-estruturas
Instalac
ao de infra-estruturas
Planeamento e aquisic
ao de mobili
ario
Instalac
ao de mobili
ario
Mudanca
Durac
ao
m
edia
(semanas)
5
21
1
21
24
7
10
1
2
DesvioPadr
ao
(semanas)
1
2
0
1
1
1
1
0
0
Atividades
imediatamente
posteriores
OA, ME RTF
II
PAI, PAM
M
II
IM
IM
M
182
Estorninhos em Evoramonte I
14
Para resolver os problemas de falha das linhas, devidos aos bandos de estorninhos, foi decidido
construir uma linha a
erea a 30 kV, EV 30-25-32-08-01, com 6268 m, com origem no apoio no 13
da linha de MT a 15 kV (EV 15-37-14-03-01-05) Herdade dos Cortes e t
ermino no apoio no 9 da
A construc
ao desta nova linha pressup
oe a execuc
ao de 5 grandes atividades:
(U) Estudo sobre os h
abitos de nidificac
ao dos estorninhos, a levar a cabo pelas populac
oes de
Azaruja, Vimeiro e Estremoz.
(Y) Levantamento topogr
afico do territ
orio a ser atravessado pela linha.
(K) Ajuste directo da empreitada, por urg
encia do interesse p
ublico.
(Z) Construc
ao da linha.
(W) Construc
ao de zonas de nidificac
ao artificiais, para afastar os estorninhos na nova linha.
A sequ
encia e durac
ao destas atividades est
ao representadas na figura.
1. Indique, justificando com os necess
arios c
alculos, os valores das letras a, b, c, d, e, f , g e h
representadas com fundo cinzento na figura.
2. O levantamento topogr
afico (atividade Y)
e executado pela mesma equipa que executa o
estudo sobre os h
abitos de nidificac
ao (atividade U). Considerando que essa equipa tem 16
elementos e que a atividade Y ocupa 10 pessoas durante toda a sua durac
ao (15 dias) e que
a atividade U ocupa 8 pessoas toda a sua durac
ao (10 dias), qual seria a durac
ao mnima que
se conseguiria para este projeto? Porqu
e?
183
Estorninhos em Evoramonte II
15
15
0
0
0
15
e
15
15
0
30
10
10
13
30
10
12
30
b
ES
EF
10
FS
TS
17
LF
LS
30
30
0
30
27
3
30
14
Filas de Espera
A partir da descric
ao de um problema, verificar se se trata de um problema de
filas de espera M/M/, M/M/S ou M/M/S/K.
Para estes casos, calcular as medidas de desempenho de uma fila de espera (L,
Lq, W, Wq) e as probabilidades associadas quer `
a perman
encia num dado estado
(e.g. Pn) quer as associadas `
as m
etricas (e.g. P(W>t) ).
Avaliar alternativas de configurac
ao de filas de espera (n
umero de servidores e
efici
encia de servidores), a partir de custos atribudos quer ao servico quer ao
tempo dos clientes, e selecionar as melhores.
185
15
Filas de Espera
Autom
oveis aguardam em filas nas
bombas de gasolina, nos
sem
aforos, nas entradas dos
parques de estacionamento.
Pessoas aguardam em fila nas
caixas dos supermercados, nas
paragens de autocarro, nos
elevadores.
Doentes aguardam, numa fila
virtual, o
rg
aos para transplante, a
marcac
ao de uma intervenc
ao
cir
urgica.
Navios aguardam em fila para
entrarem nos portos, nas eclusas
dos canais.
Documentos aguardam em fila
pela impressora. Ficheiros
aguardam em fila disponibilidade
de processador.
Em-cursos de fabrico aguardam
em fila pela pr
oxima m
aquina.
187
Filas de Espera
Trabalho pioneiro de A. K. Erlang (incio do s
ec. XX), cientista dinamarqu
es, sobre
chamadas telef
onicas aguardando linha para serem encaminhadas.16
16
Atendimento$livre
Cliente$na$fila
Tempo$(horas)
Atendimento
Fila
10h00
11h00
Cliente$a$ser$atendido
12h00
10min
horas
9h00
189
Tempo$(horas)
Atendimento
Fila
Atendimento$livre
Cliente$na$fila
10h00
Cliente$a$ser$atendido
11h00
12h00
10min
Taxa$de$chegada
2 por$hora
Padro$de$chegadas *
Tempo$de$atendimento
1/3 horas
9h00
190
Atendimento$livre
Cliente$na$fila
Tempo$(horas)
Atendimento
Fila
10h00
11h00
12h00
10min
9h00
Cliente$a$ser$atendido
1
2
3
4
5
6
7
8
191
Cliente$a$ser$atendido
11h00
12h00
Taxa$de$chegada
2 por$hora
Padro$de$chegadas * *
Tempo$de$atendimento
1/3 horas
Atendimento$livre
Cliente$na$fila
9h00
1
20 = 2
L = 1 40
+ 0 60
60
3
20 = 0
Lq = 0 40
+ 0 60
60
W = (1 40 + 0 20)/2 = 20 minutos
= 13 hora
Wq = (0 40 + 0 20)/2 = 0 minutos
= 0 hora
Tempo$(horas)
Atendimento
Fila
10h00
Cliente$a$ser$atendido
11h00
12h00
10min
Tempo$(horas)
Atendimento
Fila
10min
Taxa$de$chegada
2 por$hora
Padro$de$chegadas *
Tempo$de$atendimento
1/3 horas
9h00
1
2
3
4
5
6
7
8
30 + 0 20 = 5
L = 2 10
+ 1 60
60
60
6
10 + 0 30 + 0 20 = 1
Lq = 1 60
60
60
6
W = (2 10 + 1 30 + 0 20)/2 = 25 minutos
5 hora
= 12
Wq = (1 10 + 0 30 + 0 20)/2 = 5 minutos
1 hora
= 12
taxa de chegada ()
.
taxa de atendimento ()
192
1
.
L = W
Lq = Wq
Das express
oes anteriores retira-se que
W = Wq +
L = Lq +
193
Atendimento$livre
Cliente$na$fila
15h00
Cliente$a$ser$atendido
16h00
17h00
18H00
19h00
20h00
10min
Tempo$(horas)
Atendimento
Fila
1
2
2
3
2
3
3
4
3
4
3
4
4
5
4
5
4
5
4
5
6
5
6
5
6
5
6
7
5
6
7
6
7
6
7
8
6
7
8
6
7
8
7
8
9
7
8
9
7
8
9
7 8 8 8 8 9 9 9 9 10
8 9 9 9 9 10 10 10 10 11
9 10 10 10 10 11 11 11 11 12
10
11 11
12 12 12 13
2
Teresa naquela tarde: Teresa =
= 1,5
> 1 consegue-se perceber facilmente porque
raz
ao a tarde no consult
orio da Dra Fernanda foi ca
otica nesse dia!
194
195
Filas de Espera
Caraterizac
ao da Fonte / Populac
ao I
Dimens
ao da Populac
ao infinita: quando a probabilidade de ocorrer uma nova
chegada n
ao
e influenciada pelo n
umero de
clientes que j
a se encontram no sistema;
finita
Dimens
ao da Chegada
clientes chegam um a um;
clientes chegam em grupo.
Controlo das Chegadas
chegadas control
aveis (p.ex. inscrico
es em dias fixos);
chegadas incontrol
aveis (p.ex. urg
encia de um
hospital).
Distribuic
ao das Chegadas O padr
ao das chegadas pode ser descrito pelo tempo
entre duas chegadas consecutivas (tempo entre
chegadas) ou pelo n
umero de chegadas por unidade de
tempo (distribuic
ao das chegadas).
constante: intervalos de tempo entre chegadas sucessivas
fixos (p.ex. filas de montagem industriais);
aleat
oria: os intervalos de tempo entre chegadas
sucessivas n
ao podem ser previstos com
certeza distribuic
oes de probabilidade.
196
Filas de Espera
Caraterizac
ao da Fonte / Populac
ao II
Taxa de Chegada () N
umero m
edio de clientes que procuram o servico por
unidade de tempo.
independente do estado do sistema;
dependente do estado do sistema:
n , onde n
e o n
umero de clientes no sistema.
Atitude dos clientes
197
Filas de Espera
Caraterizac
ao da Fila
N
umero de Filas fila simples: uma u
nica fila mesmo que o servidor tenha
v
arios postos de atendimento;
fila m
ultipla: uma fila por posto de atendimento
Nesses casos cada conjunto fila/posto de
atendimento constitui um sistema separado
de fila de espera e
e usual repartir as
chegadas igualmente pelas v
arias filas.
Comprimento da Fila infinito: a capacidade m
axima da fila
e muito grande
quando comparada com o n
umero de elementos
que habitualmente a constituem;
finito: a fila pode acolher apenas um n
umero pequeno
de clientes.
Disciplina da Fila
FIFO First In First Out;
prioridades: p.ex. reservas, idade, emerg
encia;
aleat
oria.
198
Filas de Espera
Caraterizac
ao do Servico
Configurac
ao do Servico N
umero de servidores (postos de atendimento) em paralelo
e n
umero de fases de atendimento:
um servidor, uma fase;
um servidor, m
ultiplas fases;
m
ultiplos servidores, uma fase;
m
ultiplos servidores, m
ultiplas fases;
redes de filas de espera.
Dimens
ao do Servico
simples;
em grupo
(p.ex. um elevador atende v
arios clientes em
simult
aneo).
Tempo de Servico
constante;
aleat
orio: distribuic
ao exponencial negativa, Erlang,
etc. . .
Taxa de Servico () N
umero m
edio de clientes que podem ser atendidos por
cada servidor e por unidade de tempo. 1 = durac
ao m
edia
do servico.
Se o n
umero m
edio de clientes efetivamente atendidos
pode haver momentos de inatividade.
dependente do estado do sistema (n )
(p.ex. servico de reclamac
oes que atendesse mais
depressa as reclamac
oes quando a fila
e maior: maior
produtividade ou degradac
ao da qualidade do servico?)
independente do estado do sistema.
199
Filas de Espera
Objetivo da Modelizac
ao
Objetivo da Modelizac
ao de Filas de Espera
Otimizar o funcionamento das filas de espera, encontrando soluc
oes
equilibradas entre dois extremos:
Congestionamento e Rarefac
ao
Filas de Espera
Medidas de Desempenho
Lq
L
Wq
W
comprimento m
edio da fila;
n
umero m
edio de clientes no sistema;
tempo m
edio de espera na fila;
tempo m
edio de espera no sistema;
taxa m
edia de ocupac
ao (e desocupac
ao) do servico
(percentagem de tempo durante o qual o servico est
a ocupado)
201
Filas de Espera
Par
ametros
taxa de chegada
(n
umero m
edio de clientes que chegam por unidade de tempo)
1
intervalo m
edio entre duas chegadas consecutivas;
P
taxa
m
e
dia
de
entrada no sistema;
=
n
n
n=0
taxa de servico
(n
umero m
edio de clientes que cada servidor tem capacidade para
atender por unidade de tempo);
1
tempo m
edio de servico;
202
Filas de Espera
Caraterizac
ao das Distribuic
oes das Chegadas e do Atendimento
Recolher informac
ao sobre chegadas de clientes e seu atendimento.
Descrever a informac
ao recolhida, sobre chegadas de clientes e seu atendimento,
atrav
es de histogramas e par
ametros amostrais (m
edia, vari
ancia,...).
Inferir dos par
ametros amostrais os par
ametros da populac
ao.
Ajustar uma distribuic
ao te
orica ao histograma experimental, i.e., escolher uma
distribuic
ao estatstica que descreva adequadamente o fen
omeno analisado.
Distribuico
es que mais frequentemente
caracterizam as filas de espera reais:
203
Distribuic
ao Exponencial Negativa
Func
ao densidade de probabilidade de T
e t se t 0
f (t) =
0
se t < 0
Distribuic
ao acumulada
F (t) = P(T t) = 1e t
M
edia E (T ) =
(t 0)
Vari
ancia Var (T ) =
1
2
204
Distribuic
ao de Poisson
Func
ao distribuic
ao de probabilidade de X
f (x) =
f(x)
(t)x e t
x!
x = 0, 1, 2, . . .
Distribuic
ao acumulada
0.3
0.25
F (t) = P(T t) = 1e t
0.2
0.15
0.1
0.05
0
0
(t 0)
t par
ametro da distribuic
ao
n
umero m
edio de acontecimentos
por unidade de tempo
t comprimento do intervalo de tempo
em an
alise
x n
umero de acontecimentos durante o
intervalo t
M
edia E (X ) = t
Vari
ancia Var (X ) = t
205
Propriedades
206
Filas de Espera
Modelac
ao por Processos de Vida e Morte I
Processos de Vida e Morte s
ao processos estoc
asticos sem mem
oria que, aplicados `
as
filas de espera, associam vida a uma chegada `
a fila e morte `
a sada de um cliente
depois de atendido.
Dado que no instante t o sistema se encontra no estado n:
o tempo que separa t do pr
oximo nascimento (chegada) segue uma distribuic
ao
exponencial negativa com par
ametro n ;
o tempo que separa t da pr
oxima morte (servico terminado) segue uma distribuic
ao
exponencial negativa com par
ametro n .
207
Filas de Espera
Modelac
ao por Processos de Vida e Morte II
Pressuposto
Estados Estacion
arios / Estados de Equilbrio
208
Filas de Espera
Relac
oes fundamentais
Relac
oes fundamentais entre o n
umero de elementos no sistema (L) e na fila (Lq ), e
os correspondentes tempos de espera no sistema (W ) e na fila (Wq ), para filas de
espera em equilbrio.
Admitindo taxas de chegada e de servico constantes e independentes do estado do
sistema:
L
Lq
=
=
W
Wq
Wq +
Lq +
(4)
(5)
(6)
(7)
209
Classificac
ao das Filas de Espera X /Y /Z /W
17
X , Y Distribuic
oes do intervalo de tempo entre chegadas e do tempo de servico,
respetivamente:
M distribuic
ao exponencial negativa;
G distribuic
ao n
ao especificada (qualquer distribuic
ao);
D chegadas ou atendimentos determinsticos.
Z n
umero de servidores em paralelo.
W outras caractersticas do sistema, tais como comprimento da fila limitado ou
populac
ao finita:
em branco ou modelo-base sem qualquer restric
ao adicional;
K comprimento da fila limitado, n
ao podendo o n
umero de
elementos no sistema exceder K ;
N populac
ao finita.
Exemplo: M/M/1
Fila de espera com chegadas Poissonianas,
atendimentos exponencias negativos e um
servidor.
17
Baseada na classificac
ao proposta por Kendall, D. G. (1953). Stochastic Processes Occurring in the Theory of
Queues and their Analysis by the Method of the Imbedded Markov Chain. Annals of Mathematical Statistics,
24(3), 338-354.
210
Modelo b
asico com um servidor M/M/1
P0
P1
P2
...
n-1
Pn-1
n+1
Pn
Pn+1
Sistema em equilbrio
capacidade de atendimento > n
umero m
edio de clientes que procuram o
servico
taxa de ocupac
ao < 1
211
Filas M/M/1
Determinac
ao das equac
oes de equilbrio I
Estado 0
N
umero de entradas no estado 0 por unidade de tempo = P1
(passagem do estado 1 para o estado 0 por sada do sistema de um cliente atendido)
N
umero de sadas do estado 0 por unidade de tempo = P0
(passagem do estado 0 para o estado 1 por chegada de um cliente ao sistema)
Equac
ao de Equilbrio do Estado 0
P1 = P0
P1 =
P0
(8)
212
Filas M/M/1
Determinac
ao das equac
oes de equilbrio II
Estado 1
N
umero de entradas no estado 1 por unidade de tempo = P0 + P2
(do estado 0 por chegada de um cliente ao sistema ou do estado 2 por sada do sistema de um cliente atendido)
N
umero de sadas do estado 1 por unidade de tempo = P1 + P1
(para o estado 2 por chegada de um cliente ao sistema ou para o estado 0 por sada do sistema de um cliente
atendido)
Equac
ao de Equilbrio do Estado 1
=0 pela equac
ao (8)
P0 + P2 = P1 + P1
P2 =
1
P1 +
z
}|
{
(P1 P0 )
P1 =
2
P0
(9)
213
Filas M/M/1
Determinac
ao das equac
oes de equilbrio III
Estado 2
N
umero de entradas no estado 2 por unidade de tempo = P1 + P3
(do estado 1 por chegada de um cliente ao sistema ou do estado 3 por sada do sistema de um cliente atendido)
N
umero de sadas do estado 2 por unidade de tempo = P2 + P2
(para o estado 3 por chegada de um cliente ao sistema ou para o estado 1 por sada do sistema de um cliente
atendido)
Equac
ao de Equilbrio do Estado 2
=0 pela equac
ao (9)
P1 + P3 = ( + )P2
1
P2 +
P3 =
P3 =
3
P0
z
}|
{
(P2 P1 )
(10)
214
Filas M/M/1
Determinac
ao das equac
oes de equilbrio IV
Estado n
n
Pn =
P0 = n P0
P0
e obtido impondo a condic
ao
X
n=0
Pn =
X
n=0
n=0
(11)
Pn = 1:
n P0 = 1
X
1
1
=
n =
P0
1
n=0
P0 = 1
n
ao geom
etrica de raz
ao , que ser
a convergente se
n=0 representa uma progress
1
< 1, sendo, nesse caso, a soma dada por 1
.
(12)
O n
umero m
edio de clientes no sistema
e, por definic
ao, a m
edia dos n estados
possveis
encia
Pdo sistema, ponderados pelas respetivas probabilidades de ocorr
(L = n=0 nPn ).
215
Filas M/M/1
Determinac
ao das equac
oes de equilbrio V
216
Filas de Espera
Caractersticas do modelo M/M/1
Chegada: Poissoniana
clientes
Taxa de chegada:
unid. de tempo
Populac
ao =
Fila m
axima =
<1
Taxa de ocupac
ao =
Taxa de desocupac
ao 1
Lq =
(n 1)Pn =
n=1
L=
nPn = Lq +
n=0
P0 = 1
Pn = n P0
P(n > k) = k+1
2
( )
Wq =
Lq
( )
W = Wq +
1
L
1
=
=
217
Um armaz
em recebe encomendas que s
ao descarregadas usando empilhadores. Um
levantamento de dados realizado no local permitiu concluir que:
os cami
oes chegam segundo um processo de Poisson a uma taxa de 16
cami
oes/dia;
os tempos de descarga s
ao vari
aveis (seguindo uma distribuic
ao exponencial
negativa) com m
edias que dependem do n
umero de empilhadores utilizados:
N
umero
de empilhadores
1
2
3
4
5
Tempo m
edio
de descarga (minutos)
50
20
15
12
10
a operac
ao de cada empilhador custa 15 e/hora;
a imobilizac
ao dos cami
oes acarreta um encargo de 30 e/hora.
Pretende-se dimensionar a equipa de descarga de modo a minimizar os custos globais
do sistema, que funciona 8 horas por dia.
218
Tempo
m
edio de
descarga
n
1
2
3
4
5
1/
50
20
15
12
10
Taxa de
servico
Taxa de
ocupac
ao
(cami
oes/h)
1.20
3.00
4.00
5.00
6.00
/
1.67
0.67
0.50
0.40
0.33
Tempo m
edio
no sistema
por cami
ao
(h)
W
Tempo total m
edio
di
ario de imobilizac
ao
dos cami
oes
(h)
(8 ) W
Custo di
ario
de imobilizac
ao
dos cami
oes
(e)
30 (8 ) W
Custo di
ario
dos
empilhadores
(e)
15 8 n
1.00
0.50
0.33
0.25
16.00
8.00
5.33
4.00
480
240
160
120
240
360
480
600
219
Modelo b
asico com S servidores M/M/S
...
S-2
S-1
(S-1)
S+1
...
n-1
Taxa de chegada = e
e independente do estado do sistema;
Taxa de servico = , igual para todos os servidores;
Taxa de atendimento = S para o conjunto dos S servidores;
Taxa de ocupac
ao =
;
S
Taxa de entrada = e
e independente do estado do sistema;
Taxa de sada = min(n, S) , varia com o estado do sistema n.
220
Taxa de ocupac
ao = S
<1
Taxa de desocupac
ao 1
S
P0
X
Lq =
(n S)Pn =
2
S!(1
)
n=S
L=
nPn = Lq +
n=0
Wq =
Lq
W = Wq +
1
L
=
P0 =
S1
X
n
S
1
1
+
n!
S!
n=0
P , se 0 n S
n! n 0
Pn =
nS P0 , se n S
1 +
P0
S
1 e t(S1/)
S!(1 )
S 1
S(1)t
S!S
P(Wq = 0) =
S1
X
Pn
n=0
221
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
N
umero de servidores (S)
2
3
4
5
0.8605
0.8607
0.8607
0.8607
0.8182
0.8187
0.8187
0.8187
0.7778
0.7788
0.7788
0.7788
0.7391
0.7407
0.7408
0.7408
0.7021
0.7046
0.7047
0.7047
0.6667
0.6701
0.6703
0.6703
0.6327
0.6373
0.6376
0.6376
0.6000
0.6061
0.6065
0.6065
0.5686
0.5763
0.5769
0.5769
0.5385
0.5479
0.5487
0.5488
0.5094
0.5209
0.5219
0.5220
0.4815
0.4952
0.4965
0.4966
0.4545
0.4706
0.4722
0.4724
0.4286
0.4472
0.4491
0.4493
0.4035
0.4248
0.4271
0.4274
0.3793
0.4035
0.4062
0.4065
0.3559
0.3831
0.3863
0.3867
1.00
1.20
1.40
1.60
1.80
2.00
2.20
2.40
2.60
2.80
3.00
3.20
3.40
3.60
3.80
4.00
4.20
4.40
4.60
4.80
N
umero de servidores (S)
2
3
4
5
0.3333
0.3636
0.3673
0.3678
0.2500
0.2941
0.3002
0.3011
0.1765
0.2360
0.2449
0.2463
0.1111
0.1872
0.1993
0.2014
0.0526
0.1460
0.1616
0.1646
0.1111
0.1304
0.1343
0.0815
0.1046
0.1094
0.0562
0.0831
0.0889
0.0345
0.0651
0.0721
0.0160
0.0521
0.0581
0.0377
0.0466
0.0273
0.0372
0.0186
0.0293
0.0113
0.0228
0.0051
0.0174
0.0130
0.0093
0.0063
0.0038
0.0017
222
http://www.ctt.pt/fectt/wcmservlet/ctt/institucional/banco_imagens/categorias/ecs/index.html?
action=detail&image=5
223
P0
2
3
4
0.86
0.57
0.43
(tabela)
0.07
0.16
0.18
W
(minutos)
4.26
1.38
1,16
Tempo clientes
no sistema (horas)
(Tc = W
60 748.8)
53,22
17,25
14,46
Tempo servico
(horas)
(Ts = S 8)
16
24
32
Custo total
(e)
((Tc + Ts ) 10)
692.25
412,45
464,57
A opc
ao por 3 servidores minimiza os custos globais.
O tempo total m
edio que ser
a gasto com o atendimento num dia s
ao
1
748.5 0.906
= 826.5 minutos. O tempo de atendimento disponvel ser
a = S 8 60
minutos. A taxa de inatividade dos funcion
arios ser
a portanto de 14% para dois
servidores, 43% para tr
es servidores e 57% para quatro servidores.
18
Filas de Espera
Exerccios
225
Pastelaria
Numa pequena pastelaria, apenas uma empregada atende os clientes ao S
abado. O
modelo de chegada de clientes nesse dia segue aproximadamente uma distribuic
ao de
Poisson, com uma taxa m
edia de chegada de 10 pessoas por hora. Os clientes, que
s
ao muitos dada a qualidade dos pasteis, s
ao atendidos segundo o esquema FIFO. O
tempo gasto para atender um cliente
e estimado como sendo exponencialmente
distribudo, como um tempo m
edio de atendimento de 4 minutos. Determine:
1.
2.
3.
4.
19
19
http://upload.wikimedia.org/wikipedia/commons/3/3c/Fruit Tarts
226
Junta Aut
onoma das Estradas
A Junta Aut
onoma das Estradas tem tr
es equipas que analisam a seguranca das
estradas nacionais. As func
oes atribudas a essas equipas consistem em analisar as
condic
oes das estradas nacionais nas proximidades dos locais onde ocorrem acidentes
graves.
As equipas s
ao igualmente eficientes. Cada uma trabalha uma m
edia de 2 dias
(distribuic
ao exponencial) para fazer a investigac
ao no local e preparar um relat
orio
sobre cada acidente. O n
umero de acidentes graves nas estradas principais segue
aproximadamente um processo de Poisson, com uma taxa m
edia de 300 por ano.
Determine L, Lq , W e Wq para este processo. Qual o significado de cada uma destas
medidas de desempenho neste caso?
20
20
http://www.insoonia.com/wp-content/uploads/2011/01/55.jpg
227
Boeingavela
228
Servico de Veterin
aria
Edmundo Terra
e um dos crticos ao funcionamento do Servico de Veterin
aria da
Cooperativa Agrcola de Belos Ares. Edmundo afirma que sempre que chama um
veterin
ario ele nunca vem no mesmo dia.
Atualmente o Servico de Veterin
aria tem dois veterin
arios e cada um atende em m
edia
5 chamadas por dia. Quanto aos pedidos de apoio a animais doentes verifica-se que
chegam aleatoriamente, seguindo um processo de Poisson, `
a raz
ao de 9 por dia. O
servico pode ser neste caso considerado M/M/2.
Sensvel `
as crticas dos membros da Cooperativa, a direc
ao decidiu discutir o caso,
admitindo mesmo contratar um novo veterin
ario.
Avalie a situac
ao, contribuindo com informac
ao que possa ser u
til para uma tomada
de decis
ao sobre a referida contratac
ao.
http://www.aasm-cua.com.pt/srv7.html
229
230
Devido a limitac
oes do sistema, o n
umero m
aximo de elementos no
sistema (atendimento + fila de espera)
eK
...
K-1
X
n=0
n Pn = (21 )
K
1
X
Pn =
n=0
K
1
X
Pn = (1 PK )
n=0
21
As relac
oes fundamentais entre Lq , L, Wq e W mant
em-se,
substituindo por :
L = W
W = Wq +
Lq = Wq
1
L = Lq +
taxa de servico
taxa de ocupac
ao.
taxa de press
ao.
=
O sistema pode estar em equilbrio para valores de superiores a 1, no
entanto, nesse caso, haver
a um n
umero potencialmente elevado de utentes
do sistema que chegam e n
ao s
ao servidos.
PK probabilidade de desist
encia por falta de capacidade do sistema para
atender clientes que chegam quando o sistema est
a cheio.
PK taxa m
edia de desist
encia (por falta de capacidade do sistema para atender
clientes que chegam quando o sistema est
a cheio).
(1 PK ) probabilidade de um cliente entrar no sistema.
232
n=0
Populac
ao =
Taxa de ocupac
ao =
No
Taxa de desocupac
ao = 1
m
aximo de elementos no sistema = K
Fila m
axima K 1
Lq =
X
n=1
(n 1)Pn = L
(K + 1)K +1
L=
nPn =
1 K +1
n=0
1
(Taxa de desocupac
ao)
1 K +1
n
P0 , se n = 1, . . . , K
Pn =
0,
se n > K
Wq =
Lq
W = Wq +
L
1
=
P0 =
P(Wq = 0) = P0
233
K
1
X
Pn = (1 PK )
n=0
Populac
ao =
Taxa de ocupac
ao =
No m
aximo de elementos no sistema = K
Fila m
axima K S
Taxa de desocupac
ao = 1
Lq =
=
X
(n S)Pn =
n=SS
P0
S!(1)2
L=
n=0
[1
Wq =
K S
K S
(K S)
nPn = Lq +
P0 =
S1
X
n=0
1
S
n
n!
P(Wq = 0) =
S1
X
S!
Lq
(1 )]
W = Wq +
Pn =
K
X
nS
1
L
=
n
P ,
n! n 0
P0 ,
S!S nS
0,
se n = 1, . . . , S
se n = S, . . . , K
se n > K
n=S
Pn
n=0
234
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
2
0,8529
0,8065
0,7619
0,7194
0,6791
0,641
0,6051
0,5714
0,5398
0,5102
0,4825
0,4566
0,4324
0,4098
0,3887
0,369
0,3506
3
0,8504
0,8013
0,7529
0,7057
0,6599
0,6158
0,5735
0,5333
0,4953
0,4596
0,4261
0,3948
0,3657
0,3388
0,3138
0,2908
0,2696
N
umero de elementos no
4
5
6
0,8501
0,85
0,85
0,8003
0,8001
0,8
0,7507
0,7502
0,75
0,7017
0,7005
0,7002
0,6534
0,6512
0,6504
0,6062
0,6025
0,601
0,5603
0,5546
0,5521
0,5161
0,5079
0,5039
0,4738
0,4628
0,457
0,4337
0,4196
0,4115
0,3959
0,3785
0,368
0,3606
0,34
0,3269
0,3278
0,3041
0,2885
0,2975
0,2711
0,2531
0,2696
0,2408
0,2208
0,2442
0,2134
0,1917
0,221
0,1887
0,1657
sistema (K )
7
8
0,85
0,85
0,8
0,8
0,75
0,75
0,7
0,7
0,6501
0,6501
0,6004
0,6002
0,5509
0,5504
0,502
0,501
0,4538
0,4521
0,4068
0,4041
0,3615
0,3574
0,3184
0,3126
0,2778
0,2703
0,2403
0,231
0,2062
0,1952
0,1756
0,1632
0,1486
0,1352
9
0,85
0,8
0,75
0,7
0,65
0,6001
0,5502
0,5005
0,4511
0,4024
0,3548
0,3087
0,2649
0,2241
0,1868
0,1535
0,1246
10
0,85
0,8
0,75
0,7
0,65
0,6
0,5501
0,5002
0,4506
0,4015
0,3531
0,3061
0,261
0,2188
0,1801
0,1457
0,116
235
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
3
0,8599
0,817
0,7758
0,7361
0,698
0,6614
0,6262
0,5926
0,5604
0,5297
0,5004
0,4725
0,446
0,4209
0,3971
0,3746
0,3534
0,3333
0,2643
0,2104
0,1687
0,1363
4
0,8597
0,8165
0,7746
0,7339
0,6944
0,6558
0,6183
0,5818
0,5464
0,5121
0,479
0,4471
0,4166
0,3875
0,3598
0,3336
0,3089
0,2857
0,2074
0,1499
0,1086
0,0795
N
umero de elementos no sistema (K )
5
6
7
8
0,8597
0,8597
0,8597
0,8597
0,8164
0,8163
0,8163
0,8163
0,7743
0,7742
0,7742
0,7742
0,7333
0,7331
0,733
0,733
0,6931
0,6926
0,6925
0,6924
0,6536
0,6528
0,6524
0,6523
0,6148
0,6132
0,6125
0,6122
0,5766
0,574
0,5727
0,5721
0,539
0,535
0,5328
0,5316
0,5021
0,4963
0,4929
0,4908
0,466
0,458
0,4529
0,4496
0,4309
0,4203
0,4131
0,4083
0,397
0,3834
0,3739
0,367
0,3643
0,3477
0,3355
0,3263
0,3332
0,3135
0,2985
0,2868
0,3037
0,281
0,2633
0,2492
0,2759
0,2505
0,2304
0,214
0,25
0,2222
0,2
0,1818
0,1649
0,1323
0,107
0,087
0,1068
0,0762
0,0544
0,0388
0,0692
0,0438
0,0276
0,0173
0,0454
0,0256
0,0144
0,008
9
0,8597
0,8163
0,7742
0,733
0,6924
0,6522
0,6121
0,5717
0,531
0,4896
0,4476
0,4049
0,362
0,3193
0,2776
0,2377
0,2005
0,1667
0,071
0,0277
0,0109
0,0045
10
0,8597
0,8163
0,7742
0,733
0,6924
0,6522
0,6119
0,5714
0,5303
0,4882
0,4449
0,4003
0,3548
0,3087
0,2632
0,2195
0,179
0,1429
0,0493
0,0154
0,0049
0,0017
236
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
0,8607
0,8186
0,7785
0,7403
0,7038
0,6689
0,6356
0,6038
0,5733
0,5442
0,5163
0,4897
0,4642
0,4398
0,4166
0,3943
0,3731
0,3529
0,2814
0,2233
0,1768
0,14
0,1111
0,0885
0,0709
0,0571
0,0462
0,8607
0,8186
0,7784
0,7401
0,7033
0,6682
0,6344
0,6019
0,5706
0,5404
0,5112
0,483
0,4558
0,4295
0,4041
0,3796
0,356
0,3333
0,252
0,1861
0,1351
0,0972
0,0698
0,0503
0,0365
0,0268
0,0199
N
umero de elementos no sistema (K )
6
7
8
0,8607
0,8186
0,7784
0,74
0,7032
0,6679
0,6338
0,6009
0,5691
0,5381
0,508
0,4785
0,4497
0,4216
0,3941
0,3673
0,3411
0,3158
0,2239
0,1509
0,0981
0,0627
0,04
0,0258
0,0169
0,0113
0,0077
0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6336
0,6005
0,5683
0,5368
0,5059
0,4754
0,4453
0,4155
0,386
0,3568
0,3281
0,3
0,1975
0,1192
0,0682
0,0382
0,0216
0,0124
0,0074
0,0045
0,0028
0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6335
0,6002
0,5678
0,536
0,5045
0,4732
0,442
0,4107
0,3793
0,3479
0,3166
0,2857
0,173
0,0922
0,0458
0,0225
0,0112
0,0058
0,0031
0,0018
0,001
10
0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6334
0,6001
0,5676
0,5355
0,5036
0,4717
0,4396
0,407
0,3739
0,3403
0,3064
0,2727
0,1506
0,07
0,03
0,0129
0,0057
0,0027
0,0013
0,0007
0,0004
0,8607
0,8186
0,7784
0,74
0,7031
0,6677
0,6334
0,6001
0,5674
0,5352
0,5031
0,4707
0,4378
0,404
0,3693
0,3337
0,2973
0,2609
0,1303
0,0523
0,0194
0,0073
0,0029
0,0012
0,0006
0,0003
0,0001
237
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
5
0,8607
0,8187
0,7788
0,7408
0,7046
0,6702
0,6374
0,6062
0,5764
0,5481
0,521
0,4953
0,4707
0,4472
0,4248
0,4035
0,3831
0,3636
0,2943
0,2369
0,1897
0,1511
0,12
0,0951
0,0753
0,0597
0,0474
0,0377
0,0302
0,0243
0,0196
0,0159
N
umero de elementos no sistema (K )
6
7
8
9
0,8607
0,8187
0,7788
0,7408
0,7046
0,6701
0,6372
0,6059
0,576
0,5475
0,5202
0,4941
0,469
0,445
0,422
0,3999
0,3787
0,3582
0,2839
0,2205
0,1675
0,1245
0,0909
0,0656
0,0471
0,0337
0,0243
0,0176
0,0128
0,0095
0,0071
0,0053
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6372
0,6057
0,5757
0,5469
0,5193
0,4926
0,4669
0,4419
0,4177
0,3939
0,3707
0,3478
0,2597
0,1789
0,1126
0,0659
0,037
0,0206
0,0116
0,0067
0,0039
0,0024
0,0015
0,0009
0,0006
0,0004
0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6371
0,6057
0,5756
0,5468
0,519
0,4922
0,4662
0,4409
0,416
0,3915
0,3671
0,3429
0,2459
0,155
0,0852
0,0427
0,0207
0,0101
0,0051
0,0027
0,0014
0,0008
0,0005
0,0003
0,0002
0,0001
10
0,8607
0,8187
0,7788
0,7408
0,7045
0,67
0,6371
0,6057
0,5756
0,5467
0,5189
0,4919
0,4657
0,44
0,4146
0,3892
0,3638
0,338
0,2313
0,1306
0,0613
0,0261
0,011
0,0048
0,0022
0,001
0,0005
0,0003
0,0001
0,0001
0
0
238
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
4
4,2
4,4
4,6
4,8
6
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5769
0,5487
0,5219
0,4964
0,4721
0,449
0,4269
0,406
0,386
0,367
0,2994
0,2436
0,1975
0,1595
0,1282
0,1026
0,0818
0,065
0,0516
0,0409
0,0324
0,0257
0,0204
0,0162
0,013
0,0104
0,0084
0,0068
0,0055
N
umero de elementos no sistema (K )
7
8
9
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5768
0,5486
0,5218
0,4962
0,4718
0,4486
0,4265
0,4053
0,3851
0,3659
0,2967
0,2385
0,1892
0,1475
0,1128
0,0846
0,0623
0,0453
0,0326
0,0234
0,0168
0,0121
0,0087
0,0064
0,0047
0,0035
0,0026
0,002
0,0015
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6065
0,5768
0,5486
0,5217
0,4961
0,4717
0,4483
0,4261
0,4047
0,3843
0,3647
0,2936
0,2317
0,1772
0,1299
0,0909
0,061
0,0397
0,0253
0,0161
0,0103
0,0066
0,0043
0,0029
0,0019
0,0013
0,0009
0,0006
0,0005
0,0003
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6064
0,5768
0,5486
0,5217
0,496
0,4715
0,4481
0,4257
0,4042
0,3835
0,3636
0,29
0,2228
0,1608
0,1069
0,0655
0,0378
0,0212
0,0118
0,0067
0,0038
0,0023
0,0014
0,0008
0,0005
0,0003
0,0002
0,0001
0,0001
0,0001
10
0,8607
0,8187
0,7788
0,7408
0,7047
0,6703
0,6376
0,6064
0,5768
0,5486
0,5216
0,496
0,4714
0,4479
0,4254
0,4037
0,3828
0,3625
0,2857
0,2115
0,1402
0,0811
0,042
0,0206
0,01
0,0049
0,0025
0,0013
0,0007
0,0004
0,0002
0,0001
0,0001
0,0001
0
0
0
239
http://www.planete-tp.com/en/solid-cargo-in-bulk-a389.html
240
A ampliac
ao do cais justifica-se se a reduc
ao de custos com
imobilizac
ao e desvio de navios for superior a 1 000 e/dia.
= 3 navios/dia
= 5 navios/dia
S=1
3
= 0.6
5
e
e
W =12 000
L
dia navio
dia navio
e
Custo de desvio (CD) CD = 20 000
( )
navio
( representa o n
umero de navios desviados por dia.)
Custo de imobilizac
ao (CI) CI = 12 000
Custo com K = 2
Custo com K = 3
P0 = 0.510
= (1 P2 ) = (1 2 P0 ) = 2.448
Taxa de ocupac
ao
= 0.49
P
P2
L=
nP
=
n
n=0
n=0 nPn = 0.673 navios
e
CI =12 000
L = 8 076 e/dia
dia navio
e
CD =20 000
( ) = 11 040
navio
e/dia
CD + CI =19 116 e/dia
P0 = 0.460
= (1 P3 ) = (1 3 P0 ) = 2.703
Taxa de ocupac
ao
= 0.54
P
P3
L=
nP
=
n
n=0
n=0 nPn = 0.904 navios
e
CI =12 000
L = 10 848 e/dia
dia navio
e
CD =20 000
( ) = 5 940
navio
e/dia
CD + CI =16 788 e/dia
241
242
22
Teoria da Decis
ao
Teoria da Decis
ao Objetivos de Aprendizagem
244
Decis
oes
A incerteza
e muito mais a regra que a excec
ao, a u
nica coisa
que pode ser certa
e o passado e as decis
oes tomam-se para o
futuro.
Uma decis
ao
e uma alocac
ao de recursos,
e irrevog
avel e s
o
pode ser alterada por uma outra decis
ao.
245
Teoria da Decis
ao
A Teoria da Decis
ao trata de:
tomada de decis
oes racionais e consistentes em situaco
es de
incerteza, fornecendo um conjunto de conceitos e t
ecnicas para
apoio do decisor.
O objectivo da Teoria da Decis
ao
e:
apoiar a escolha de uma ac
ao (ou de uma estrat
egia) que seja
consistente com as alternativas, a informac
ao, os valores e a
l
ogica do decisor no momento da tomada de decis
ao.
246
SO
FA fOsofa
fO
SO
FA
fOsofa
fO
A marca de sof
as
Recentemente surgiu no mercado mundial um novo tipo de estofo, obtido a partir de estudos de
materiais feitos pela Ag
encia Espacial Africana. Esse novo estofo, que tem ainda o nome de c
odigo
X@K, tem todas as caractersticas da pele natural, mas n
ao absorve gorduras e n
ao se desgasta. O
preco dessa mat
eria prima
e muito elevado e a sua produc
ao
e ainda muito reduzida.
SO
FA
fOsofa
fO
pretendem estar sempre na frente da inovac
ao em sof
as e por
Os administradores da
isso consideram crucial para a empresa a aposta em X@K. A decis
ao a tomar
e quanto `
a
quantidade a comprar. Dado que esse estofo tem que ser transportado a partir da costa oriental de
Africa,
onde est
a localizada a Ag
encia Espacial Africana, o transporte ter
a que ser feito por mar e
em contentores e s
o se admite a compra de 1, 2 ou 3 contentores de X@K 27 . A aquisic
ao ter
a que
ser feita agora e s
o no incio do pr
oximo ano
e que se poder
a voltar a comprar esse material.
Devido `
as condico
es especiais de embalagem, cada contentor transporta 100.000m2 de X@K.
248
SO
FA fOsofa
fO
uma quest
ao de decis
oes
SO
Para o problema da
1.
2.
3.
4.
FA fOsofa
fO
defina:
O decisor
As ac
oes
Os estados da natureza
As consequ
encias
249
SO
FA fOsofa
fO
resposta
SO
Decisor O decisor
e a administrac
ao da
Ac
oes As aco
es alternativas s
ao:
FA fOsofa
fO
Consequ
encias H
a uma consequ
encia associada a cada par (ac
ao, estado da
natureza). Neste caso se por exemplo se optar por comprar 2
contentores e a procura for de 150.000m2 de X@K, ent
ao o
lucro para a empresa ser
a:
150.000m2 25 um2 + 50.000m2 10 um2 200.000m2 20 um2 = 250.000um
m
250
Matriz de Decis
ao
ac
oes
a1
a2
a3
..
.
am
1
U11
U21
U31
..
.
Um1
Estados
2
U12
U22
U32
..
.
Um2
da natureza
3
...
U13
...
U23
...
U33
...
..
..
.
.
Um3
...
n
U1n
U2n
U3n
..
.
Umn
251
SO
FA fOsofa
fO
- Matriz de Decis
ao
SO
FA fOsofa
fO
FA fOsofa
fO
Soluc
ao A Matriz de Decis
ao para o problema da
est
a representada na
tabela seguinte (valores apresentados em kum).
Estados da natureza
Procura
Procura
de 150.000m2
de 250.000m2
de X@K
de X@K
Ac
oes
Procura
de 100.000m2
de X@K
300
50
-450
200.000m2
de X@K
-500
250
750
-900
-150
1350
Comprar
252
Decis
ao com informac
ao perfeita
Consideremos agora que o decisor sabe qual dos estados da natureza vai ocorrer.
Nesse caso ele escolher
a a decis
ao que maximiza a utilidade.
Considerando que vai ocorrer o estado da natureza 0 , a ac
ao a0 a tomar ser
a ent
ao:
a0 : U(a0 , 0 ) = maxai U(ai , 0 )
SO
No exemplo da
FA fOsofa
fO
253
Decis
ao e incerteza
A incerteza
e muito mais a regra que a excec
ao, a u
nica coisa
que pode ser certa
e o passado e as decis
oes tomam-se para o
futuro.
Um decisor que n
ao conhece qual o estado da natureza que vai ocorrer ter
a que ter
crit
erios para tomar decis
oes. Esses crit
erios podem ser:
n
ao probabilsticos;
probabilsticos (dependentes da probabilidade de ocorr
encia dos estados da
natureza).
254
Ac
oes dominadas
Por vezes
e possvel reduzir a Matriz de Decis
ao, retirando
ac
oes que nenhum decisor com bom senso poderia admitir.
Se existe uma ac
ao ak que
e sempre dominada por outra ac
ao ai
a , ent
ao a ac
ao ak pode ser retirada da Matriz de Decis
ao.
a
Uma ac
ao ai domina uma ac
ao ak se U(ai , j ) U(ak , j )
j
255
SO
FA fOsofa
fO
Enunciado Alternativo
SO
FA
fOsofa
fO
A marca de sof
as
Recentemente surgiu no mercado mundial um novo tipo de estofo, obtido a partir de estudos de
materiais feitos pela Ag
encia Espacial Africana. Esse novo estofo, que tem ainda o nome de c
odigo
X@K, tem todas as caractersticas da pele natural, mas n
ao absorve gorduras e n
ao se desgasta. O
preco dessa mat
eria prima
e muito elevado e a sua produc
ao
e ainda muito reduzida.
SO
FA
fOsofa
fO
pretendem estar sempre na frente da inovac
ao em sof
as e por
Os administradores da
isso consideram crucial para a empresa a aposta em X@K. A decis
ao a tomar
e quanto `
a
quantidade a comprar. Dado que esse estofo tem que ser transportado a partir da costa oriental de
Africa,
onde est
a localizada a Ag
encia Espacial Africana, o transporte ter
a que ser feito por mar e
em contentores e s
o se admite a compra de 1, 2 ou 3 contentores de X@K 28 . A aquisic
ao ter
a que
ser feita agora e s
o no incio do pr
oximo ano
e que se poder
a voltar a comprar esse material.
Devido `
as condico
es especiais de embalagem, cada contentor transporta 100.000m2 de X@K.
256
SO
FA fOsofa
fO
- Matriz de Decis
ao para Enunciado Alternativo
Estados da natureza
Procura
Procura
de 150.000m2
de 250.000m2
de X@K
de X@K
Ac
oes
Procura
de 100.000m2
de X@K
500
250
-250
200.000m2
de X@K
150
775
1150
200
825
2075
Comprar
retirando a ac
ao dominada . . .
Comprar 100.000m2 de X@K
500
250
-250
200
825
2075
257
Crit
erios de decis
ao n
ao probabilsticos
258
SO
FA fOsofa
fO
Laplace
SO
FA fOsofa
fO
, e usando o crit
erio de decis
ao de
Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K
Ac
oes
(compra
de X@K )
1
n
Pn
j=1
U(ai ; j )
100.000m
300
50
-450
100
3
200.000m
-500
250
750
500
3
300.000m2
-900
-150
1350
300
3
maxai
n P
n
1
n
j=1
U(ai ; j )
500
3
Ac
ao: compra de 200.000m2 de X@K .
259
SO
FA fOsofa
fO
Pessimista
Crit
erio pessimista em que se considera que a natureza
e hostil e que por isso ocorrer
a sempre o
estado da natureza que pode prejudicar mais. A ac
ao a escolher ser
a ent
ao:
o
n
maxai minj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Pessimista:
Ac
oes
(compra
de X@K )
SO
FA fOsofa
fO
, e usando o crit
erio de decis
ao
Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K
minj U(ai ; j )
100.000m
300
50
-450
-450
200.000m
-500
250
750
-500
300.000m
-900
-150
1350
-900
maxai
n
o
minj U(ai ; j ) = 450 Ac
ao: compra de 100.000m2 de X@K .
260
SO
FA fOsofa
fO
Otimista
Crit
erio otimista em que se considera que ocorrer
a sempre o estado da natureza que pode
beneficiar mais. A ac
ao a escolher ser
a ent
ao:
o
n
maxai maxj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Otimista:
Ac
oes
(compra
de X@K )
SO
FA fOsofa
fO
, e usando o crit
erio de decis
ao
Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K
maxj U(ai ; j )
100.000m
300
50
-450
300
200.000m
-500
250
750
750
300.000m
-900
-150
1350
1350
maxai
o
maxj U(ai ; j ) = 1350 Ac
ao: compra de 300.000m2 de X@K .
261
SO
FA fOsofa
fO
Hurwicz
O crit
erio de Hurwicz pretende refletir todas as atitudes do decisor, desde muito otimista a muito
pessimista. Define-se para tal um par
ametro 0 1 a que se chama ndice de otimismo. Se
= 0 este crit
erio corresponde `
a aplicac
ao do crit
erio Pessimista. = 1, corresponde a um
decisor 100% otimista.
A ac
ao a escolher
e obtida do seguinte modo:
o
n
maxai maxj U(ai ; j ) + (1 ) minj U(ai ; j )
Considerando mais uma vez a Matriz de Decis
ao da
Hurwicz:
Ac
oes
(compra
de X@K )
Estados da natureza
Procura de
Procura de
Procura de
2
100.000m
150.000m2
250.000m2
de X@K
de X@K
de X@K
SO
FA fOsofa
fO
, e usando o crit
erio de decis
ao de
max U(ai ; j )
min U(ai ; j )
Hurwicz
100.000m2
300
50
-450
300
-450
200.000m2
-500
250
750
750
-500
-900
-150
1350
1350
-900
300.000m
262
SO
FA fOsofa
fO
A Matriz dos Pesares ou Matriz da Perda de Oportunidade pode ser obtida a partir da Matriz de
Decis
ao usando a transformac
ao P(ai ; j ) = maxak {U(ak ; j )} U(ai ; j )
SO
ac
oes
(compra
de X@K )
100.000m2
200.000m
300.000m2
FA fOsofa
fO
, a transformac
ao dessa matriz
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0
200
1800
800
600
1200
400
263
SO
FA fOsofa
fO
Savage
O crit
erio de Savage chama-se tamb
em crit
erio da perda de oportunidade minimax (ou pesar
minimax). Este crit
erio baseia-se no crit
erio Pessimista, mas
e mais moderado. O crit
erio de
Savage baseia-se no seguinte: uma vez decidida a ac
ao a realizar e ocorrido o estado da natureza, o
decisor sente pesar por n
ao ter optado pela melhor ac
ao. E
e esse pesar que se pretende minimizar.
O crit
erio de Savage resulta da aplicac
ao do crit
erio Pessimista `
a Matriz de Pesares:
o
n
minai
maxj P(ai ; j )
SO
minai
, aplique-se o crit
erio Pessimista `
a Matriz de Pesares
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
200.000m2
300.000m
FA fOsofa
fO
maxj P(ai ; j )
max P(ai ; j )
j
200
1800
1800
800
600
800
1200
400
1200
= 800 Ac
ao: compra de 200.000m2 de X@K .
264
Crit
erios de decis
ao probabilsticos
Os crit
erios de decis
ao probabilsticos baseiam-se na incorporac
ao da informac
ao `
a
priori que o decisor tem sobre os estados da natureza.
Essa incorporac
ao de informac
ao corresponde `
a atribuic
ao de probabilidades de
ocorr
encia aos estados da natureza.
Dois crit
erios de decis
ao probabilsticos:
Maximizac
ao do valor esperado;
Minimizac
ao da perda de oportunidade esperada29 .
29
Crit
erios de decis
ao probabilsticos
Maximizac
ao do valor esperado (MVE)
31
Este crit
erio de decis
ao baseia-se na escolha da ac
ao que maximiza a utilidade
esperada. Para tal
e necess
ario:
1. atribuir uma probabilidade h(j ) 30 de ocorr
encia a cada um dos estados da
natureza j (que se consideram mutuamente exclusivos),
de tal forma que a soma
P
das probabilidades de ocorr
encia seja igual a um, ( j h(j ) = 1);
2. calcular o valor esperado de cada ac
ao:
ai
VEai =
P
j
h(j ) U(ai ; j )
3. escolher a ac
ao a0 que maximiza o valor esperado:
a0 :
maxai {VEai }
30
31
266
SO
FA fOsofa
fO
Maximizac
ao do valor esperado (MVE)
h(j )
ai
VEai
300
50
-450
25
200.000m2
de X@K
-500
250
750
125
-900
-150
1350
-75
Comprar
267
SO
FA fOsofa
fO
Minimizac
ao da Perda de Oportunidade Esperada
Considerando os possveis estados da natureza e respetivas probabilidades de
ocorr
encia, tal como se representam na primeira linha da tabela seguinte, e ainda os
valores de P(ai ; j ), obt
em-se a mnima perda de oportunidade esperada.
h(j )
ai
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
POEai
200
1800
460
800
600
360
1200
400
560
Arvores
de decis
ao
A
arvore de decis
ao
e uma forma alternativa de estruturac
ao de um problema de
decis
ao.
As
arvores de decis
ao s
ao muito u
teis para representar problemas de decis
ao
complexos, com sequ
encias de aco
es e estados da natureza que ocorrem ao longo do
tempo.
N
os da
arvore de decis
ao
n
os de decis
ao (assinalados com quadrados) escolha do caminho feita pelo
decisor (ac
oes escolhidas pelo decisor)
n
os causais (assinalados com crculos) caminho determinado por fatores que o
decisor n
ao controla (estados da natureza)
269
SO
FA fOsofa
fO
Arvore
de decis
ao
SO
FA
fOsofa
fO
Quest
ao: Desenhe a
arvore de decis
ao para o problema da
, onde deve
indicar todas as ac
oes, estados da natureza e suas probabilidades de ocorr
encia e
consequ
encias.
Resposta:
300 um
25
(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K
Comprar 100.000m 2
de X@K
-450 um
Comprar 200.000m 2
de X@K
125
50 um
Comprar 300.000m 2
de X@K
125
-900 um
-75
(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K
-500 um
(0.3) Procura de
100.000m 2 de X@K
(0.5) Procura de
150.000m 2 de X@K
(0.2) Procura de
250.000m 2 de X@K
250 um
750 um
-150 um
1350 um
270
SO
FA fOsofa
fO
Proposta de alargamento
SO
FA
fOsofa
fO
Recentemente foi feita `
a
uma proposta de alargamento do seu franchising para outros
pases da Europa. Se o neg
ocio correr bem, h
a a possibilidade de a empresa ter lucros elevados.
Ano 1
2
1
Ano 2
3
1.5
2
Lojas em toda a CE
Lojas em toda a Pennsula Ib
erica
Lojas em Portugal
P(i )
Procura
Procura
baixa
elevada
0.4
0.6
0.6
0.4
0.5
0.5
271
SO
FA fOsofa
fO
Proposta de alargamento
(
arvore de decis
ao)
Ano 1
Ano 2
3+3-2=4
4.6
Sem alargamento
(0 Mum)
4.6
3+4-2=5
5.2
Procura elevada (4 Mum)
0.6
Sem alargamento
(0 Mum)
5.6
Alargamento
total (-2 Mum)
5.6
2.6
Alargamento
parcial 2 (-2 Mum)
3.4
Alargamento
3.8
5.2 parcial 1 (-1 Mum)
Sem alargamento
(0 Mum)
Alargamento
parcial 2 (-2 Mum)
4+4-2=6
3+3-1-2=3
3+2-1=4 Procura baixa (3 Mum)
0.4
4.4
1+3-3=1
1.4
3+4-2=5
4+2-1-2=3
Sem alargamento
(0 Mum)
Procura baixa (3 Mum)
0.6
4.4
2+2-1=3
3.6
Sem alargamento
(0 Mum)
3+2-1-2=2
3+2-1=4
1+4-3=2
3+3-1=5
Procura baixa (2 Mum) 1+2-1.5=1.5
Alargamento
0.6
1.9
total (-3 Mum)
Procura elevada (3 Mum)
Alargamento
0.4
parcial 1 (-1.5 Mum)
1+1=2
1+3-1.5=2.5
2.5
Procura baixa (1 Mum)
Sem alargamento
0.5
(0 Mum)
2+2-1.5=2.5
2.5
Procura baixa (1 Mum)
Procura elevada (2 Mum)
Procura baixa (2 Mum)
0.5
0.5
0.6
Procura elevada (4 Mum)
1+2=3
3
0.6
2.9 Procura elevada (3 Mum)
2+4-3=3
2.6
0.4
Procura elevada (2 Mum)
2+3-1.5=3.5
Alargamento
0.5
Procura baixa (3 Mum) 2+3-3=2
total (-3 Mum)
2+1=3
0.4
Procura baixa (1 Mum)
3.5
Alargamento
0.5
parcial 1 (-1.5 Mum)
3.5
Procura elevada (2 Mum)
0.5
Sem alargamento
2+2=4
(0 Mum)
Procura elevada (4 Mum)
0.4
272
Informac
ao adicional
At
e agora consideramos situaco
es em que o decisor escolhe entre ac
oes alternativas
com base apenas na informac
ao que possui `
a priori sobre o problema e sem tentar
obter nenhuma informac
ao adicional.
Quest
oes que se colocam nesta fase:
Vale ou n
ao a pena obter informac
ao adicional?
Que informac
ao adicional obter?
Que estrat
egia seguir depois de conhecida a informac
ao adicional?
Quanto pode valer a informac
ao adicional32 ?
32
Ou de outra forma, at
e quanto estamos dispostos a pagar pela informac
ao adicional?
273
Na aus
encia de dados sobre a credibilidade do fornecedor de informac
ao, n
ao
e
possvel atribuir valor a essa informac
ao.
Pode-se no entanto determinar o aumento esperado do valor esperado se a informac
ao
for perfeita, e esse
e realmente um limite superior para o valor da informac
ao.
Esse limite superior
e conhecido por Valor Esperado da Informac
ao Perfeita (VEIP), e
pode ser obtido de tr
es formas diferentes:
1. subtraindo o M
aximo Valor Esperado (com incerteza), do M
aximo Valor
Esperado (com informac
ao perfeita);
2. por uma an
alise incremental;
3. calculando o valor mnimo para a perda de oportunidade esperada.
274
SO
FA fOsofa
fO
VEIP (M
etodo 1)
P
MVEip M
aximo Valor Esperado (informac
ao perfeita) = j h(j ) maxai U(ai , j );
nP
o
MVE M
aximo Valor Esperado (incerteza) = maxai
j h(j ) U(ai , j )
VEIP =
h(j )
maxai U(ai , j )
MVEip MVE
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
300
250
1350
MVEip
485
Considerando o m
aximo valor esperado (MVE ) calculado anteriormente:
VEIP =
275
SO
FA fOsofa
fO
VEIP (An
alise incremental)
SO
FA
fOsofa
fO
Partindo novamente do exemplo da
, consideremos a ac
ao escolhida pelo
crit
erio do M
aximo Valor Esperado, Comprar 200.000m2 de X@K .
Para cada um dos estados da natureza que podem ocorrer, podemos calcular a
diferenca entre a maior utilidade e a utilidade associada `
a ac
ao escolhida.
Seguidamente somam-se os produtos dessas diferencas pelas probabilidades de
ocorr
encia dos respectivos estados da natureza:
h(j )
maxai U(ai , j )
U(a2 , j ) (ac
ao escolhida por MVE )
maxai U(ai , j ) U(a2 , j )
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
300
250
1350
-500
250
750
800
0
600
VEIP
360
276
SO
FA fOsofa
fO
VEIP = Minimizac
ao da perda de oportunidade esperada
h(j )
ai
Comprar 100.000m2 de X@K
Comprar 200.000m2 de X@K
Comprar 300.000m2 de X@K
Estados da natureza
Procura de
Procura de
Procura de
100.000m2
150.000m2
250.000m2
de X@K
de X@K
de X@K
0.30
0.50
0.20
0
800
1200
200
0
400
1800
600
0
POEai
460
360
560
277
Informac
ao perfeita ou imperfeita?
A eliminac
ao da incerteza atrav
es da aquisic
ao de informac
ao perfeita:
n
ao
e pratic
avel;
n
ao se pode fazer em tempo u
til;
n
ao se pode fazer de forma econ
omica.
Pode-se obter informac
ao adicional (imperfeita):
atrav
es da realizac
ao de experi
encias
atrav
es da realizac
ao de inqu
eritos.
No entanto, n
ao conv
em esquecer que:
informac
ao inicial + informac
ao adicional informac
ao perfeita
278
Matriz de credibilidade
1
P(r1 |1 )
P(r2 |1 )
P(r3 |1 )
..
.
P(rK |1 )
1
Estados
2
P(r1 |2 )
P(r2 |2 )
P(r3 |2 )
..
.
P(rK |2 )
1
da natureza
3
...
P(r1 |3 )
...
P(r2 |3 )
...
P(r3 |3 )
...
..
..
.
.
P(rK |3 )
...
1
...
J
P(r1 |J )
P(r2 |J )
P(r3 |J )
..
.
P(rK |J )
1
279
Informac
ao perfeita Matriz de credibilidade
No caso de informac
ao perfeita (credibilidade m
axima), considerando que o resultado
ri indicia que ocorrer
a o estado da natureza i , a Matriz de credibilidade ser
aa
seguinte:
Resultados
da experi
encia
r1
r2
r3
..
.
rJ
1
1
0
0
..
.
0
Estados
2
0
1
0
..
.
0
da natureza
3
...
J
0
...
0
0
...
0
1
...
0
..
..
..
.
.
.
0
...
1
280
SO
FA fOsofa
fO
Informac
ao Perfeita (
arvore de decis
ao)
281
Teoria da Decis
ao
Exerccios
282
Xpt0 Textil
A empresa XptO Lda.
e uma empresa t
extil que est
a atualmente a preparar a sua colec
ao de Inverno, a ser lancada
no pr
oximo ano. O Eng. Leopoldo, gestor da empresa, est
a com d
uvidas relativas ao montante de investimento a
ser destinado a esta colec
ao e pondera entre o que considera um grande investimento, um investimento mediano e
um pequeno investimento.
Nos u
ltimos anos, o clima, que tanta influ
encia tem no sucesso da colec
ao, tem-se revelado incerto, sendo que o
Inverno rigoroso
5 000
4 600
800
Inverno ameno
2 000
1 000
200
Inverno quente
-2 000
-50
0
283
Explorac
ao de G
as Natural
Uma grande empresa multinacional ligada ao sector energ
etico pretende pagar `
a empresa
Latif
undios e Companhia 60 000e pelos direitos de explorac
ao do g
as natural numa sua
propriedade. A oferta da multinacional inclui a opc
ao para desenvolvimento futuro. Se essa opc
ao
se concretizar, caso o g
as natural seja descoberto durante a fase de explorac
ao, a empresa
Latif
undios e Companhia receber
a 600 000e adicionais.
A empresa Latif
undios e Companhia considera que o interesse da multinacional
e uma boa
indicac
ao de que o g
as existe e pretende avaliar a possibilidade de avancar ela pr
opria com a
explorac
ao. Para isso dever
a contratar uma equipa de especialistas em explorac
ao e
desenvolvimento de g
as natural.
O custo inicial da explorac
ao
e de 100 000e. esse valor ser
a perdido se nenhum g
as for
encontrado. Se for descoberto g
as na fase inicial, o lucro estimado ser
a de 2 000 000e.
As alternativas de decis
ao da Latif
undios e Companhia s
ao: D1 (aceitar a oferta da multinacional);
D2 (avancar com a explorac
ao).
Os estados da natureza s
ao: S1 (n
ao existe g
as natural na propriedade); S2 (existe g
as natural na
propriedade).
A empresa Latif
undios e Companhia estima que h
a 60% de probabilidade de ser encontrado g
as
natural na propriedade.
Os ganhos esperados para cada par (alternativa, estado da natureza) s
ao apresentados na tabela
seguinte:
D1
D2
S1
60
-100
S2
660
2000
1. Determine as decis
oes recomendadas pelos crit
erios: Pessimista (Maximin); Laplace; Savage;
Hurwicz ( = 0, 4); MVE (M
aximo Valor Esperado).
2. Considere agora que os valores representados na Matriz de Decis
ao s
ao custos e n
ao ganhos.
Determine agora as decis
oes recomendadas pelos crit
erios indicados na alnea anterior.
284
Sucesso moderado
(p2 )
Sem sucesso
(p3 )
300
200
40
30
-60
-20
Lucros (Me)
D (desenvolvimento pr
oprio)
C (cons
orcio com outra empresa)
285
Aquisic
ao de M
aquinas
A empresa Gulas & Gulas, que opera na
area alimentar, considera
a possibilidade de adquirir m
aquinas para rotulagem das suas
garrafas, tal como se representa na figura.
A empresa dever
a decidir se adquire uma ou duas m
aquinas de
rotulagem, contudo, o custo por m
aquina ser
a menor se as 2
forem compradas ao mesmo tempo.
Se for adquirida s
o uma m
aquina e a procura do artigo for elevada,
aquina ainda poder
a ser comprada mais tarde.
a 2a m
As probabilidades estimadas para a procura do produto s
ao:
procura baixa 0,30;
procura alta 0,70
O valor actual associado aos resultados de compra das 2 m
aquinas
no incio
e de 750Me, se a procura for baixa, e de 1300Me se
for alta a procura do produto.
O valor actual associado aos resultados de compra de uma m
aquina sob procura baixa
e de 900Me. Se a procura for alta h
a3
hip
oteses:
nada fazer resulta no valor de 900Me;
subcontratar dar
a 1 100Me;
comprar a 2a m
aquina permitir
a obter 1 000Me.
1. Construa a
arvore de decis
ao para o problema descrito.
2. Determine, pelo crit
erio do M
aximo Valor Esperado, quantas m
aquinas dever
ao ser
adquiridas no incio.
286
Virada Cultural I
33 A escolha do programador para o evento inaugural da Virada Cultural em S
ao Paulo
e uma decis
ao de enorme responsabilidade pelo
certo no entanto que esses custos
impacto que pode ter na ades
ao do p
ublico a toda a programac
ao e tamb
em pelos custos envolvidos. E
podem ser recuperados, total ou parcialmente, atrav
es do patrocnio de uma empresa, que ser
a o mecenas exclusivo do evento, e tamb
em
atrav
es das receitas de bilheteira.
tamb
E
em de salientar a ligac
ao forte que existe entre as empresas que est
ao dispostas a patrocinar o evento inaugural e o programador
escolhido. De facto, as empresas est
ao mais ou menos interessadas em associar as suas marcas ao evento inaugural dependendo do tipo de
espet
aculo em causa, e isso depende fortemente do estilo de cada programador. No entanto, vai ser necess
ario comecar por escolher o
programador e s
o dentro de alguns meses ser
a conhecida a empresa patrocinadora. Na tabela seguinte est
ao representados, para cada
programador, os custos com a sua contratac
ao assim como as probabilidades do evento ser patrocinado por cada um dos potenciais
patrocinadores, este ano duas companhias a
ereas. Na mesma tabela tamb
em
e apresentado o valor do patrocnio, que
e independente do
programador.
Programador
Andr
e Midani
Yakoff Sarcovas
Valor do patrocnio
Custo
(106 Reais)
2
1
6
(10 Reais)
Patrocinador
Azul
TAM
20%
80%
70%
30%
1
2
Os tipos de espet
aculos concebidos por cada um dos programadores s
ao bem diferentes. Os custos s
ao diferentes, bem com o n
umero
m
aximo de espectadores. Os espet
aculos podem ser ao ar livre ou em recinto fechado e o preco a cobrar pelos ingressos varia de
espet
aculo para espet
aculo. Embora o programador Andr
e Midani tenha concebido dois espet
aculos, A e B, a escolha entre os dois s
o se
coloca se for a Azul a empresa patrocinadora. Se a patrocnio for da TAM e o Andr
e Midani for o programador escolhido, ent
ao ser
a
necessariamente o espet
aculo A o realizado.
Os detalhes para cada espet
aculo s
ao apresentados na tabela seguinte. Se o evento for patrocinado pela Azul, ent
ao o n
umero m
aximo de
espectadores ter
a um incremento de 20% pois este patrocinador tem acesso a recintos de maior dimens
ao.
Programador
Andr
e Midani
Andr
e Midani
Yakoff Sarcovas
Espet
aculo
A
B
C
Custo
(106 Reais)
2
2
3
Ar Livre?
Recinto Fech.?
AL
RF
AL
No m
aximo
espectadores
30 000
10 000
40 000
Preco ingresso
(Reais)
100
200
80
288
Virada Cultural II
33