PESQUISA OPERACIONAL

Prévia do material em texto

PESQUISA OPERACIONAL
A pesquisa operacional é uma área da matemática aplicada que se dedica a estudar e otimizar processos complexos e sistemas de decisão. A origem da pesquisa operacional remonta à Segunda Guerra Mundial, quando cientistas e militares se uniram para resolver problemas estratégicos e logísticos envolvendo recursos limitados e objetivos conflitantes. Desde então, a pesquisa operacional se desenvolveu e se expandiu para diversas áreas do conhecimento, como engenharia, economia, administração, saúde, educação e meio ambiente. A pesquisa operacional utiliza uma variedade de métodos e ferramentas, como modelagem matemática, programação linear e não linear, teoria dos jogos, simulação, análise de redes, inteligência artificial, entre outros. A pesquisa operacional busca encontrar soluções ótimas ou satisfatórias para problemas reais, considerando as restrições e os critérios de desempenho envolvidos. A pesquisa operacional é uma ciência interdisciplinar e colaborativa, que se beneficia da interação entre diferentes campos do saber e da incorporação de novas tecnologias e avanços computacionais.
A administração é uma área que envolve diversos desafios e problemas que exigem soluções eficientes e racionais. Nesse contexto, as teorias matemáticas e as técnicas e métodos utilizados em pesquisa operacional podem ser aplicadas para identificar problemas na administração e propor alternativas de melhoria. A pesquisa operacional é uma disciplina que utiliza modelos matemáticos, algoritmos e técnicas de otimização para apoiar a tomada de decisão em situações complexas e incertas. Alguns exemplos de problemas na administração que podem ser abordados pela pesquisa operacional são: planejamento de produção, alocação de recursos, programação de projetos, controle de estoques, roteamento de veículos, análise de riscos, entre outros. A aplicação da pesquisa operacional na administração pode contribuir para aumentar a eficiência, reduzir custos, melhorar a qualidade e a satisfação dos clientes e dos funcionários, e alcançar os objetivos organizacionais.
Um estudo em pesquisa operacional para a resolução de problemas reais envolve as seguintes fases:
- Definição do problema: consiste em descrever os objetivos do estudo, identificar as alternativas de decisão que existem e reconhecer as limitações do sistema.
- Construção do modelo: consiste em representar o sistema real por meio de um conjunto de variáveis, parâmetros, relações e funções matemáticas que descrevem o comportamento do sistema.
- Cálculo da solução: consiste em aplicar métodos matemáticos ou computacionais para obter a solução ótima ou aproximada do modelo construído.
- Teste do modelo e da solução: consiste em verificar se o modelo é válido e se a solução encontrada é factível e satisfatória para o problema real.
- Implementação do modelo: consiste em aplicar a solução obtida na prática e acompanhar os resultados esperados e reais.
Essas fases são interdependentes e iterativas, ou seja, podem ser revisadas e modificadas ao longo do estudo conforme a necessidade e o feedback obtidos.
Um modelo de programação linear é uma forma de representar matematicamente um problema que envolve a otimização de uma função objetivo, sujeita a um conjunto de restrições lineares. A função objetivo é uma expressão que define o que se deseja maximizar ou minimizar, como o lucro ou o custo de uma atividade. As restrições lineares são equações ou desigualdades que limitam as possíveis soluções do problema, como a disponibilidade de recursos ou a demanda de mercado. As variáveis de decisão são os valores que determinam a solução ótima do problema, como a quantidade de produtos a serem fabricados ou alocados.
Um modelo de programação linear pode ser formulado da seguinte forma geral:
Maximizar ou minimizar Z = c1x1 + c2x2 + ... + cnxn
Sujeito a:
a11x1 + a12x2 + ... + a1nxn ≤ b1
a21x1 + a22x2 + ... + a2nxn ≤ b2
...
am1x1 + am2x2 + ... + amnxn ≤ bm
x1, x2, ..., xn ≥ 0
Onde Z é a função objetivo, c1, c2, ..., cn são os coeficientes da função objetivo, a11, a12, ..., amn são os coeficientes das restrições, b1, b2, ..., bm são os termos independentes das restrições e x1, x2, ..., xn são as variáveis de decisão.
APRENDER A RESOLVER PROBLEMAS DESCRITOS POR SISTEMAS DE EQUAÇÕES LINEARES;
Aprender a resolver problemas descritos por sistemas de equações lineares é uma habilidade importante para diversas áreas do conhecimento, como matemática, física, engenharia e economia. Um sistema de equações lineares consiste em um conjunto de equações que relacionam variáveis com coeficientes constantes. O objetivo é encontrar os valores das variáveis que satisfaçam todas as equações simultaneamente. Existem vários métodos para resolver sistemas de equações lineares, como o método da substituição, o método da eliminação e o método da matriz. Cada método tem suas vantagens e desvantagens, dependendo do tipo e do número de equações envolvidas. Neste texto, vamos apresentar os conceitos básicos de cada método e mostrar alguns exemplos de aplicação.
APLICAR A REGRA DE CRAMER NA RESOLUÇÃO DE SISTEMAS LINEARES;
A regra de Cramer é um método para resolver sistemas de equações lineares usando o cálculo dos determinantes das matrizes associadas ao sistema. Esse método foi criado pelo matemático suíço Gabriel Cramer no século XVIII e permite encontrar as soluções de sistemas com o mesmo número de equações e incógnitas.
Para aplicar a regra de Cramer, é preciso calcular o determinante da matriz dos coeficientes do sistema, que é chamado de D, e os determinantes das matrizes obtidas ao substituir cada coluna da matriz dos coeficientes pelos termos independentes do sistema, que são chamados de D x, D y, D z, etc. A solução do sistema é dada pela divisão de cada D i pelo D.
Por exemplo, para resolver o sistema:
2x + 3y = 5
4x - y = 1
Podemos escrever a matriz dos coeficientes e o determinante D:
| 2 3 |
| 4 -1 |
D = 2*(-1) - 3*4 = -14
Em seguida, substituímos a primeira coluna da matriz dos coeficientes pelos termos independentes e calculamos o determinante D x:
| 5 3 |
| 1 -1 |
D x = 5*(-1) - 3*1 = -8
Da mesma forma, substituímos a segunda coluna da matriz dos coeficientes pelos termos independentes e calculamos o determinante D y:
| 2 5 |
| 4 1 |
D y = 2*1 - 5*4 = -18
Finalmente, aplicamos a regra de Cramer para encontrar as soluções x e y:
x = D x / D = -8 / (-14) = 4/7
y = D y / D = -18 / (-14) = 9/7
APLICAR OS MÉTODOS DE GAUSS E GAUSS-JORDAN NA RESOLUÇÃO DE SISTEMAS LINEARES.
Os métodos de Gauss e Gauss-Jordan são técnicas algébricas para resolver sistemas lineares de equações. O objetivo desses métodos é transformar o sistema original em um sistema equivalente mais simples, usando operações elementares nas linhas da matriz ampliada do sistema. O método de Gauss consiste em reduzir a matriz ampliada a uma forma escalonada, ou seja, uma matriz triangular superior. Em seguida, aplica-se a substituição regressiva para obter as soluções das variáveis. O método de Gauss-Jordan vai um passo além e reduz a matriz ampliada a uma forma escalonada reduzida, ou seja, uma matriz diagonal. Nesse caso, as soluções das variáveis são obtidas diretamente da última linha da matriz. Ambos os métodos são eficientes e podem ser implementados em algoritmos computacionais para resolver sistemas lineares de qualquer ordem.
IDENTIFICAR E MODELAR PROBLEMAS DE PROGRAMAÇÃO LINEAR;
A programação linear é uma técnica matemática que permite resolver problemas de otimização em que se busca maximizar ou minimizar uma função linear sujeita a um conjunto de restrições lineares. Para identificar e modelar problemas de programação linear, é preciso seguir alguns passos:
- Definir as variáveis de decisão, que são as quantidades que se quer determinar;
- Definir a função objetivo, que é a expressão que se quer maximizar ou minimizar em função das variáveis de decisão;
- Definir as restrições, que são as condições que limitam as possíveis soluções do problema;
- Verificar se o problema é linear, ou seja,se a função objetivo e as restrições são expressões lineares das variáveis de decisão;
- Resolver o problema usando um método adequado, como o método gráfico ou o método simplex.
Um exemplo de problema de programação linear é o seguinte:
Uma empresa produz dois tipos de produtos: A e B. Cada unidade de A requer 2 horas de trabalho e 3 kg de matéria-prima, e gera um lucro de 50 reais. Cada unidade de B requer 1 hora de trabalho e 4 kg de matéria-prima, e gera um lucro de 40 reais. A empresa dispõe de 100 horas de trabalho e 240 kg de matéria-prima por semana. Quantas unidades de cada produto a empresa deve produzir por semana para maximizar o seu lucro?
Para modelar esse problema, podemos definir as seguintes variáveis de decisão:
x: número de unidades de A produzidas por semana
y: número de unidades de B produzidas por semana
A função objetivo é o lucro total da empresa, que queremos maximizar:
z = 50x + 40y
As restrições são as limitações de tempo e matéria-prima:
2x + y <= 100 (restrição de trabalho)
3x + 4y <= 240 (restrição de matéria-prima)
x >= 0 (restrição de não negatividade)
y >= 0 (restrição de não negatividade)
O problema é linear, pois a função objetivo e as restrições são expressões lineares das variáveis x e y. Para resolver o problema, podemos usar o método gráfico, que consiste em representar as restrições em um plano cartesiano e encontrar a região factível, que é o conjunto das soluções possíveis. Em seguida, traçamos retas paralelas à função objetivo e buscamos a reta que passa pelo ponto mais afastado da origem na região factível. Esse ponto é a solução ótima do problema, ou seja, a combinação de x e y que maximiza a função objetivo.
A região factível é o polígono delimitado pelas retas azuis. A reta vermelha é a função objetivo. A solução ótima é o vértice (24, 48), que corresponde a um lucro máximo de z = 50*24 + 40*48 = 3120 reais. Portanto, a empresa deve produzir 24 unidades de A e 48 unidades de B por semana para maximizar o seu lucro.
RESOLVER PROBLEMAS PELO MÉTODO GRÁFICO;
Resolver problemas pelo método gráfico é uma forma de visualizar e analisar as relações entre variáveis de uma função. O método consiste em representar graficamente os pontos que satisfazem a equação da função, usando um sistema de coordenadas cartesianas. A vantagem desse método é que ele permite verificar facilmente se uma solução é possível, única ou infinita, e também comparar diferentes funções entre si. Além disso, o método gráfico pode auxiliar na compreensão de conceitos como domínio, imagem, raízes, máximos e mínimos de uma função.
RESOLVER PROBLEMAS PELO MÉTODO SIMPLEX.
O método Simplex é uma técnica matemática para resolver problemas de otimização linear, ou seja, problemas que envolvem a maximização ou a minimização de uma função linear sujeita a um conjunto de restrições lineares. O método Simplex consiste em transformar o problema original em um problema equivalente na forma padrão, e depois aplicar um algoritmo iterativo que busca a solução ótima nos vértices da região factível do problema. O algoritmo termina quando encontra um vértice ótimo ou quando verifica que o problema é ilimitado ou inviável.
DESCREVER A TEORIA DOS JOGOS;
A Teoria dos Jogos é uma teoria matemática que estuda as situações estratégicas em que os agentes envolvidos (chamados de jogadores) tomam decisões que afetam uns aos outros. O objetivo da Teoria dos Jogos é prever as possíveis consequências das escolhas dos jogadores e encontrar as melhores estratégias para cada um deles. A Teoria dos Jogos se aplica a diversos campos do conhecimento, como economia, administração, política, biologia e psicologia. Um dos conceitos centrais da Teoria dos Jogos é o equilíbrio de Nash, que é uma situação em que nenhum jogador tem incentivo para mudar sua estratégia, dado que os outros jogadores também não mudam. A Teoria dos Jogos também utiliza ferramentas como matrizes, árvores e gráficos para representar os jogos e analisar suas propriedades.
APLICAR OS CONCEITOS DA TEORIA DOS JOGOS A PROBLEMAS PRÁTICOS;
A teoria dos jogos é um ramo da matemática que estuda as interações estratégicas entre agentes racionais que buscam maximizar seus próprios benefícios. Essa teoria pode ser aplicada a diversos problemas práticos que envolvem conflitos de interesses, cooperação, negociação, competição e tomada de decisão. Alguns exemplos de aplicações da teoria dos jogos são: análise de mercados, leilões, política, diplomacia, guerra, biologia evolutiva, inteligência artificial e redes sociais. Para aplicar os conceitos da teoria dos jogos a problemas práticos, é preciso identificar os elementos básicos do jogo, como os jogadores, as estratégias, os pagamentos e o equilíbrio. Em seguida, é preciso modelar o jogo de forma matemática, usando ferramentas como matrizes, árvores, gráficos e funções. Por fim, é preciso analisar o jogo e encontrar as soluções ótimas ou satisfatórias para cada jogador, usando conceitos como dominância, racionalidade, melhor resposta e equilíbrio de Nash.
RESOLVER PROBLEMAS DE INFORMAÇÃO COMPLETA E INCOMPLETA.
Resolver problemas de informação completa e incompleta é uma habilidade importante para diversas áreas do conhecimento, como matemática, economia e ciência da computação. Neste texto, vamos apresentar alguns conceitos e exemplos de como lidar com esses tipos de problemas.
Informação completa é aquela que contém todos os dados necessários para se chegar a uma solução ou decisão ótima. Por exemplo, em uma equação do 2º grau completa, temos os valores dos coeficientes a, b e c, que permitem encontrar as raízes da equação usando a fórmula de Bhaskara.
Informação incompleta é aquela que falta algum dado essencial para se resolver um problema ou tomar uma decisão ótima. Por exemplo, em uma equação do 2º grau incompleta, temos que um dos coeficientes b ou c é igual a zero, o que impede o uso da fórmula de Bhaskara. Nesse caso, é preciso usar métodos específicos para cada tipo de equação incompleta, como colocar x em evidência ou completar quadrados.
A informação incompleta pode gerar situações de assimetria de informação, que é quando uma das partes envolvidas em um problema ou negócio tem mais informações do que a outra. Isso pode causar desequilíbrios no mercado e prejudicar a eficiência e o bem-estar social. Por exemplo, em um mercado de carros usados, o vendedor sabe mais sobre a qualidade do carro do que o comprador, o que pode levar a uma seleção adversa ou um risco moral.
Para resolver problemas de informação completa e incompleta, é preciso identificar quais são os dados disponíveis e quais são os dados faltantes, e buscar formas de obter ou estimar esses dados. Também é preciso analisar os incentivos e as expectativas das partes envolvidas, e tentar reduzir a assimetria de informação por meio de mecanismos como sinalização, garantia ou regulação.